Pytesseract tessedit_char_whitelist白名单设置无效，识别结果仍包含非数字字符

问题诱发原因 #

• Tesseract版本兼容性缺陷：4.x及以上版本的LSTM识别引擎（你参数中--oem 3代表同时启用传统引擎+LSTM引擎）对白名单规则的支持度不足，LSTM引擎会优先输出训练集匹配结果，部分场景下会忽略白名单限制。
• 图片预处理不合格：如果待识别图片存在噪点、模糊、字符形变、背景干扰等问题，Tesseract会将视觉特征接近数字的字母误判输出，识别置信度过低时白名单规则也会失效。
• 参数配置冲突：你使用的--psm 3为全自动页面分割模式，若图片中存在大块非数字区域，Tesseract的分割逻辑出错后也会跳过白名单限制输出其他字符。

对应解决办法 #

• 替换OCR引擎配置：将--oem 3改为--oem 0仅启用传统识别引擎，传统引擎对白名单规则的支持更严格，同时将--psm 3改为--psm 6（假设你的图片为单块文本区域，若为单行数字可改用--psm 7）降低分割错误概率，修改后代码如下：

nums = pytesseract.image_to_string(img, config='--psm 6 --oem 0 -c tessedit_char_whitelist=0123456789')

• 若必须使用LSTM引擎，先将Tesseract升级到5.x以上版本，该版本修复了LSTM引擎对白名单支持的bug，同时在配置中添加-c load_system_dawg=0 -c load_freq_dawg=0关闭词库匹配，避免词库优先级高于白名单：

nums = pytesseract.image_to_string(img, config='--psm 6 --oem 3 -c tessedit_char_whitelist=0123456789 -c load_system_dawg=0 -c load_freq_dawg=0')

• 新增图片预处理步骤：识别前先对图片做灰度化、二值化、去噪处理，提升识别准确率，示例代码如下：

import cv2
# 灰度化处理
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化处理
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
# 去噪处理
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
clean_img = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)
# 传入预处理后的图片识别
nums = pytesseract.image_to_string(clean_img, config='--psm 6 --oem 3 -c tessedit_char_whitelist=0123456789 -c load_system_dawg=0 -c load_freq_dawg=0')

• 增加后置校验兜底：识别完成后用正则过滤所有非数字字符，彻底清除错误输出：

import re
nums = re.sub(r'[^0-9]', '', nums)

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