Python pytesseract无法识别预处理图片中的数值应如何解决？

解决思路 #

1. 二次优化图片预处理 #

• 调整明暗对比与色阶：如果现有预处理后的图片是浅色字+深色背景，先做色阶反转为深色字+浅色背景，tesseract对该类格式的识别适配度更高
• 调整字符轮廓：用OpenCV对图片做1-2像素的腐蚀或膨胀操作，避免数字粘连、笔画过细导致被识别为点或短横线
• 拆分单行列识别：不要直接识别整张图片，先通过轮廓检测把每一行的数字区域单独裁剪出来，每行仅保留刚好包裹数字的上下边距，减少无关区域的干扰

2. 调整识别参数配置 #

• 更换PSM模式：停用--psm 13，改为--psm 6（假设识别内容为单个统一文本块）或--psm 7（假设识别内容为单行文本），更适配逐行提取数字的场景
• 完善白名单配置：完整参数设置为 --oem 3 --psm 6 -c tessedit_char_whitelist=0123456789.-，把需要识别的小数点、负号都纳入白名单，避免误识别为其他字符
• 关闭无关功能：增加参数 -c load_system_dawg=0 -c load_freq_dawg=0 关闭系统词典加载，数字识别无需依赖语言词典，关闭后可降低误匹配概率

3. 版本升级适配 #

你当前使用的tesseract 5.0.0-alpha.20210506属于早期测试版，存在大量识别逻辑bug，建议升级到tesseract 5.3.x及以上正式版，同步将pytesseract升级到0.3.10及以上版本，正式版对数字识别的精度优化幅度非常大

4. 替代识别方案 #

如果上述调整后效果仍不达标，可以更换为专门适配多场景文字识别的工具，比如EasyOCR的印刷体数字识别预训练模型，无需复杂调参即可适配大部分常规数字识别场景

内容的提问来源于stack exchange，提问作者Urrraco