pytesseract识别数字换行漏识别 最优PSM模式选择咨询

针对纯数字内容、因排版/裁剪导致数字串被意外拆分到两行、换行位置字符易漏识别的场景，优先选择PSM 11（稀疏文本识别模式），效果不稳定时可替换为PSM 12（带方向检测的稀疏文本模式）。
PSM 6的识别逻辑为默认输入是单个统一排版的连续文本块，会自动过滤判定为块外的内容，换行位置靠下的数字会被标记为噪声丢弃，这也是样例识别仅返回9804102500018、缺失末尾10的核心原因。
对应识别样例图：

原代码中白名单配置项前缺失--前缀，会导致字符白名单规则不生效，修正后代码如下：

ocr_raw_result = pytesseract.image_to_string(
    image,
    config='--psm 11 --tessedit_char_whitelist=0123456789',
    lang='eng'
)
final_result = beautify(image, ocr_raw_result)

切换PSM后如果仍有偶发漏识别，可搭配两个简单操作提升效果：

• 识别前用OpenCV做1-2像素的形态学闭运算，轻微连通上下行相邻数字，避免被分割为独立无关文本块
• 拿到原始识别结果后，先清空字符串内的换行符、空格，再做后续处理，避免拼接时丢字符

numpy == 1.22.1
opencv-python == 4.5.5.62
Pillow == 8.4.0
pytesseract == 0.3.4

内容的提问来源于stack exchange，提问作者Srwa Hariri