如何优化深色背景下文本数字OCR识别的Python Wand预处理方案

现有基础信息 #

基准图像 #

现有预处理代码 #

from wand.image import Image
from wand.display import display

with Image(filename='edited.png') as img:
    with Image(img) as negate:
        negate.alpha_channel = False           
        negate.transform_colorspace('gray')
        negate.resize(width=negate.width*2, height=negate.height*2, filter='lanczos', blur=0.5)
        negate.negate()
        negate.contrast_stretch(black_point=0.00, white_point=0.8, channel=None)        
        negate.sharpen(radius=0, sigma=1)
        display(negate)

输入Tesseract的预处理后图像 #

优化方案 #

• 预处理环节调整
  • 补充二值化步骤：在灰度转换后增加大津法（Otsu）自动阈值二值化处理，消除灰度不均对字符分割的干扰
  • 增加降噪操作：在转灰度后加入3x3中值滤波或高斯模糊，消除背景噪点，避免噪点被误识别为字符笔画
  • 调整缩放参数：Tesseract对300DPI的图像识别效果最优，可先计算原图DPI，将图像缩放至300DPI对应尺寸再做后续处理，字符偏小时可尝试放大到3倍而非当前的2倍
  • 优化对比度参数：当前白点设为0.8，可在0.75~0.9区间测试不同取值，找到最适配当前图像的对比度拉伸阈值
  • 补充倾斜校正：如果图像存在微小倾斜，可通过霍夫变换检测倾斜角度并校正，大幅提升连续文本的识别准确率
• Tesseract调用层面优化
  • 限定识别范围：如果仅需识别数字和特定类型文本，可通过--psm参数调整页面分割模式，比如单行文本用--psm 7，同时通过-c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz限定识别字符集，减少无关字符的误识别
  • 选用适配模型：确保使用Tesseract 4及以上版本，默认启用LSTM深度学习识别模型，识别精度远高于传统模式；如果识别内容含中文，需安装对应中文语言包，优先使用chi_sim+eng混合语言模型
• 后处理环节优化
  • 规则校验：如果识别内容有固定格式（比如固定位数的数字、特定规则的编码），可通过规则校验修正明显不符合格式的识别错误
  • 多结果投票：对同一张图像做2~3种不同参数的预处理，分别识别后取多个结果的交集，或选取置信度最高的内容作为最终结果

内容的提问来源于stack exchange，提问作者Ренат