pytesseract无法识别字母前/单词间符号仅数字前符号可识别求助

核心原因 #

Tesseract默认启用上下文语义匹配规则，会优先匹配常见字符组合。非数字前缀的#/$/%等特殊符号不符合常规英文单词的组合逻辑，会被误识别为外观相似的H、S等字母；而数字前的同类符号符合价格、标签的常用书写规则，因此可以正常识别。
如果之前调整参数未生效，大概率是没有搭配字符白名单使用，Tesseract的语义推断优先级高于形状匹配，仅修改psm等参数很难修正这类上下文相关的识别错误。

可行解决方案 #

• 方案1：强制限定识别字符白名单
  把需要识别的所有字符（包括特殊符号、大小写字母、数字）全部加入白名单，让Tesseract只能从给定字符集里匹配，完全禁用默认的语义推断，修改image_to_string的config参数即可：

  # 可根据实际需求增删白名单内的字符
  custom_config = r'-c tessedit_char_whitelist=#$%abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789 '
  msg = pytesseract.image_to_string(pil_img, config=custom_config)
  

• 方案2：搭配更适配的识别模式
  配合字符白名单使用逐块/稀疏文本识别模式，关闭段落级别的语义推断，优先按字符形状匹配：

  # --psm 6 适合图片为统一整块文本的场景，--psm 12适合稀疏分布的文本场景
  custom_config = r'--psm 6 -c tessedit_char_whitelist=#$%abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789 '
  msg = pytesseract.image_to_string(pil_img, config=custom_config)
  

• 方案3：优化图像预处理逻辑
  你当前使用的固定阈值二值化容易受光照影响导致符号边缘变形，可改用自适应阈值处理减少识别误差，替换原有的二值化代码即可：

  img_binarized = cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)
  

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