如何优化图像质量提升Tesseract Tess4j的文本识别准确率

核心问题定位 #

你当前的实现存在四个硬伤，直接导致识别结果不稳定：

• 预处理逻辑仅做了最基础的灰度转换，没有做二值化、对比度拉伸，网页数字自带的抗锯齿半透明像素会让字符和背景边界模糊，Tesseract无法准确识别轮廓
• 处理后的图像存为JPG格式，JPG的有损压缩会在字符边缘生成大量杂色块，额外引入识别干扰
• Tesseract配置不完整：仅设置字符黑名单无法强制限定识别范围，默认开启的字典匹配会把数字组合强行匹配为常见词汇，固定返回4.0就是低置信度下模型匹配到训练集内权重最高的错误结果
• 未做边缘裁剪：截图如果带网页边框、阴影、背景装饰元素，也会干扰识别判断

分步修复方案 #

1. 替换图像预处理流程 #

补全裁剪、二值化步骤，处理后用无损PNG格式存储，替换你原来的灰度处理代码：

import java.awt.Graphics2D;
import java.awt.image.BufferedImage;
import java.io.File;
import javax.imageio.ImageIO;

public class OcrImagePreprocess {
    private static final int BINARY_THRESHOLD = 135;

    public static BufferedImage process(File inputImage) throws Exception {
        BufferedImage origin = ImageIO.read(inputImage);
        // 裁掉边缘2像素，去掉截图边框、网页阴影等无关内容
        BufferedImage cropped = origin.getSubimage(2, 2, origin.getWidth() - 4, origin.getHeight() -4);
        // 转灰度图
        BufferedImage grayImg = new BufferedImage(cropped.getWidth(), cropped.getHeight(), BufferedImage.TYPE_BYTE_GRAY);
        Graphics2D g2d = grayImg.createGraphics();
        g2d.drawImage(cropped, 0, 0, null);
        g2d.dispose();
        // 二值化处理，彻底分离字符和背景，消除抗锯齿影响
        int width = grayImg.getWidth();
        int height = grayImg.getHeight();
        for (int y = 0; y < height; y++) {
            for (int x = 0; x < width; x++) {
                int grayVal = grayImg.getRGB(x, y) & 0xFF;
                // 黑字白底场景下，低于阈值设为纯黑字符，高于阈值设为纯白背景，阈值可根据实际页面配色微调
                grayImg.setRGB(x, y, grayVal < BINARY_THRESHOLD ? 0x000000 : 0xFFFFFF);
            }
        }
        return grayImg;
    }

    public static void main(String[] args) throws Exception {
        BufferedImage processedImg = process(new File("image.jpg"));
        // 必须存为PNG无损格式，禁止用JPG
        ImageIO.write(processedImg, "png", new File("preprocessed.png"));
    }
}

二值化阈值可以根据你实际截图的字色、背景色调整，黑字白底一般在120-150区间内选值，调整到预览图里字符边缘清晰、没有杂点即可。

2. 修正Tess4j配置 #

不要只设置黑名单，必须配置字符白名单，同时关闭无用的字典校验，选择适配单行数字的识别模式：

import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import java.io.File;

public class NumberOcr {
    public static void main(String[] args) throws TesseractException {
        Tesseract tesseract = new Tesseract();
        // 替换为本地tessdata目录的实际路径
        tesseract.setDatapath("your-tessdata-path");
        tesseract.setLanguage("eng");
        // 核心配置：设置白名单，仅允许识别数字、小数点、字符X
        tesseract.setTessVariable("tessedit_char_whitelist", "0123456789.X");
        // 关闭所有字典匹配规则，避免数字被强行匹配为英文单词
        tesseract.setTessVariable("load_system_dawg", "0");
        tesseract.setTessVariable("load_freq_dawg", "0");
        tesseract.setTessVariable("load_punc_dawg", "0");
        tesseract.setTessVariable("load_number_dawg", "0");
        // 设置识别模式为单行文本，适配网页动态数字的展示形态
        tesseract.setPageSegMode(7);
        // 传入预处理后的图片识别
        String result = tesseract.doOCR(new File("preprocessed.png")).trim();
        System.out.println(result);
    }
}

3. 可选优化项 #

• 截图时尽量框选数字所在的最小区域，不要带多余的页面元素，识别区域越小准确率越高
• 如果目标网站数字用的是固定字体，可以用对应字体生成百级规模的训练集做模型微调，识别准确率可以稳定到99%以上
• 如果截图存在明显噪点，可以在二值化后加一层3x3的中值滤波去噪，普通网页清晰截图不需要这一步

内容的提问来源于stack exchange，提问作者rich25