Python使用pytesseract提取黑底白字识别准确率低如何解决

先修复现有代码的显性错误 #

现有代码存在3个直接影响识别结果的低级问题，优先修复：

• cv2.imread() 仅支持传入文件路径字符串，代码中传入已转换的numpy数组属于无效冗余代码，直接删除即可
• 字符白名单配置中等号后多余的空格会导致规则不生效，这是数字0被误识别为@/a/e的核心原因之一，白名单参数不要加多余空格
• Tesseract官方训练集全部基于白底黑字样本训练，直接传入黑底白字图像会大幅降低识别准确率，必须做反色处理

预处理流程优化 #

替换原有预处理逻辑，适配工业数字/黑底白字场景：

• 滤波保留字符边缘的前提下去掉背景噪点
• 转灰度后做反色操作，转换为Tesseract适配的白底黑字格式
• 用OTSU自动阈值替代手动写死的240阈值，避免画面亮度不均导致的字符残缺
• 增加小核形态学操作，去除画面细碎亮斑噪点

Tesseract参数调优 #

• PSM模式从4改为11（稀疏文本模式），适配图中分散排布的多段文本
• 白名单补全需要识别的大写英文字符（图中存在NIT、LUX等前缀），严格限制识别范围减少误判
• 保持OEM 3模式（默认+LSTM神经网络识别）即可

修正后可直接运行的代码 #

import numpy as np
import cv2
import pytesseract
from PIL import Image

def preprocess(im):
    # 双边滤波去噪，不破坏字符边缘
    im = cv2.bilateralFilter(im, 5, 55, 60)
    # 转灰度图
    im = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
    # 反色：黑底白字转白底黑字，适配Tesseract训练集
    im = cv2.bitwise_not(im)
    # OTSU自动计算最优二值化阈值
    _, im = cv2.threshold(im, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # 2x2核做开运算，去除细碎背景噪点
    kernel = np.ones((2,2), np.uint8)
    im = cv2.morphologyEx(im, cv2.MORPH_OPEN, kernel)
    return im

# 修正读图逻辑
img = Image.open("Image.png")
img_cv = cv2.cvtColor(np.array(img), cv2.COLOR_RGBA2BGR)
processed_im = preprocess(img_cv)

# 修正配置参数，去掉多余空格，调整PSM模式，补全白名单字符
custom_config = r"--oem 3 --psm 11 -c tessedit_char_whitelist='0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ. '"
text = pytesseract.image_to_string(processed_im, lang='eng', config=custom_config)
print(text.strip())

进阶优化方向 #

如果上述调整后仍有个别识别误差，可尝试以下方案：

• 替换默认英文训练集，使用工业数字/数码管专用Tesseract训练集，对这类规整数字字体的识别准确率远高于通用训练集
• 若图像中各文本块位置固定，可按坐标裁剪出每个单独的数值区域分别识别，避免不同区域字符互相干扰
• 若原图像字符尺寸过小，可使用双线性插值将图像放大2-3倍，让字符高度保持在30-40像素区间，符合Tesseract的最优识别尺寸要求

内容的提问来源于stack exchange，提问作者thethe