如何在Tesseract中设置OCR扫描的最小、最大字体尺寸

Tesseract原生没有提供直接限定识别字体高度/宽度范围的开箱配置项，无法通过单一配置直接跳过指定字号区间外的文本，针对紧邻小字干扰识别的问题，可采用以下三类方案：

• 识别结果后过滤（鲁棒性最高，优先推荐）
  该方案完全规避图像移位导致的硬裁剪误差：
  1. 调用Tesseract时追加参数-c tessedit_create_tsv=1，输出带尺寸、位置标注的TSV结构化结果，结果中会包含每一行识别文本的边界框高度字段
  2. 提前统计业务场景下目标文本的常规字高范围，识别完成后直接过滤掉字高低于设定阈值的文本行即可
• 识别前预处理过滤
  送入OCR前先对二值化后的图像做连通域检测，计算每个独立文本块的平均字符高度，将高度远低于目标文本阈值的小字区域直接填充为背景色，再传入Tesseract识别，该方案对移位场景的适配性远高于固定坐标裁剪。
• 内置参数调优（效果不稳定，仅作补充）
  Tesseract有个未在官方文档重点标注的参数textord_min_xheight，可设置最小字符x高度（单位为像素），低于该高度的字符会在内部分析阶段被判定为噪声过滤。该参数效果受图像DPI、二值化质量影响较大，稳定性弱于前两种方案，调用示例如下：
  tesseract input.jpg output --psm 6 -c textord_min_xheight=15
  命令中15为示例阈值，需替换为实际场景下目标文本的最小x高度值。

OCR识别场景示例

内容的提问来源于stack exchange，提问作者Alisha