如何提升截图场景下Tesseract OCR的识别准确率？

嘿，我太懂你这种明明是常见的Arial黑底白字截图，Tesseract却乱码连连的糟心了！之前我处理类似场景时，试过不少方法，结合你提到的字体训练思路，给你整理一套落地的方案：

一、先试试低成本的预处理优化（不用训练也能救回不少准确率） #

很多时候识别拉胯不是字体的锅，是截图的预处理没做到位，Tesseract对输入图片的要求其实挺挑的：

• 反转颜色：Tesseract默认对白底黑字的识别效果更好，黑底白字可以直接反转成标准格式。用Python的PIL或者OpenCV都能一键搞定：

  # PIL示例
  from PIL import Image, ImageOps
  img = Image.open("your_screenshot.png")
  inverted_img = ImageOps.invert(img)
  inverted_img.save("inverted.png")
  

• 强制二值化：把图片转换成纯黑白（无灰度），彻底消除模糊干扰：

  # OpenCV示例
  import cv2
  img = cv2.imread("inverted.png", 0)
  _, binary_img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
  cv2.imwrite("binary.png", binary_img)
  

• 放大字体：如果截图里的字体小于30px，Tesseract很容易认错，把图片放大1.5-2倍再识别，效果会明显提升：

  resized_img = cv2.resize(binary_img, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)
  

• 去除噪声：如果截图有轻微的边框、阴影噪点，用中值滤波或者高斯模糊先清掉：

  denoised_img = cv2.medianBlur(resized_img, 3)
  

二、终极方案：训练Arial专属的Tesseract模型 #

如果预处理后还是达不到要求，那自定义字体训练就是你的最优解，亲测能做到近乎100%的准确率，步骤如下：

1. 准备训练素材 #

• 生成和你截图字体完全匹配的样本：包括你需要识别的所有字符（数字、大小写字母、符号等），字体大小、样式（粗体/常规）要和截图一致。可以用Python脚本批量生成：

  from PIL import Image, ImageDraw, ImageFont
  
  font_path = "path/to/arial.ttf"  # 你的Arial字体文件路径
  font = ImageFont.truetype(font_path, size=40)  # 字体大小和截图匹配
  chars = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"  # 替换成你需要的字符
  
  for idx, char in enumerate(chars):
      img = Image.new("L", (50, 50), 255)  # 白底
      draw = ImageDraw.Draw(img)
      draw.text((5, 5), char, font=font, fill=0)  # 黑字
      img.save(f"arial_sample_{idx}.png")
  

• 尽量多生成一些样本，比如每个字符生成3-5种不同的轻微偏移版本，让模型更鲁棒。

2. 生成标注文件（.box） #

每个样本图片需要对应一个.box文件，用来标注字符的位置和内容。你可以用Tesseract自带的tesseract命令自动生成后手动修正：

tesseract arial_sample_0.png arial_sample_0 batch.nochop makebox

打开生成的.box文件，格式是字符 左 上 右 下 0，确保每个标注都准确对应图片里的字符。

3. 启动训练 #

• 先安装Tesseract的训练工具包（比如Ubuntu下用sudo apt install tesseract-ocr-training，Windows需要单独下载训练工具）。
• 用官方的tesstrain.sh脚本训练，命令示例：

  tesstrain.sh \
    --fonts_dir /usr/share/fonts \
    --fontlist "Arial" \
    --lang eng \
    --linedata_only \
    --langdata_dir ./langdata \
    --tessdata_dir ./tessdata \
    --output_dir ./arial_train_output
  

  这个命令会基于英文训练集，加入Arial字体的样本，生成自定义的训练模型。

4. 使用自定义模型 #

训练完成后，会在输出目录得到arial_custom.traineddata（具体名称看你设置），把它复制到Tesseract的tessdata目录下，然后识别时指定这个模型：

tesseract your_processed.png output -l arial_custom

三、额外小技巧 #

• 如果你的截图是单行文本或者单个字符，用--psm参数指定页面分割模式，能进一步提升准确率：

  # 单行文本用psm 7
  tesseract your_img.png output -l arial_custom --psm 7
  

• 训练前可以先测试默认模型在预处理后的效果，如果已经能满足需求，就不用折腾训练了，省时间！

内容的提问来源于stack exchange，提问作者forever