Pytesseract（Tesseract OCR）识别财务报表时部分数字漏识别问题咨询

• Tesseract 运行参数配置不合理
  默认的页面分割模式（PSM）会自动做全页内容分析，对于财务报表中孤立的小篇幅数字行很容易判定为噪点直接忽略。你可以在调用Pytesseract时添加以下参数：
  指定仅识别数字和财务常用符号：-c tessedit_char_whitelist=0123456789.,
  调整页面分割模式：如果是单独识别已定位的文本框，用--psm 7（假设输入为单行文本）；如果是整页识别用--psm 6（假设输入为单一均匀的文本块）。
• 预处理步骤存在优化空间
  你当前的预处理缺少关键的二值化步骤，仅转灰度无法最大化文字和背景的对比度，同时1x1的腐蚀膨胀核不会对图像产生实际修改效果，可调整如下：

  img = cv2.imread(filename)
  # 放大到字符高度20-30像素区间（Tesseract最优识别尺寸），可根据实际字符大小调整缩放系数
  img = cv2.resize(img, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)
  img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  # 新增自适应二值化，适配不同亮度的背景
  img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
  # 调整核尺寸，轻微修复字符边缘缺损/粘连
  kernel = np.ones((2, 2), np.uint8)
  img = cv2.dilate(img, kernel, iterations=1)
  img = cv2.erode(img, kernel, iterations=1)
  

• 全图识别干扰多
  你已经可以定位到文本区域的绿色框，不要直接输入整张图识别，单独裁剪每个文本框区域后再调用Tesseract识别，可避免全页其他内容对字符分割的干扰，大幅降低漏识别概率。
• 识别模型精度不足
  默认的Tesseract训练集对通用场景适配性好，但对财务数字的专项识别精度不高，可替换为高精度的专项数字训练模型，进一步提升数字识别准确率。

内容的提问来源于stack exchange，提问作者S420L