如何用Python为图像逐行生成边界框，解决Tesseract文本识别不准问题

问题原因 #

pytesseract.image_to_data返回的结果包含多个层级的识别单元，level字段对应不同粒度：

• level=1：整页
• level=2：文本块
• level=3：段落
• level=4：文本行
• level=5：单个单词
  你现有代码未过滤层级，只要检测到非空文本就画框，会把所有单词级别的边界框全部绘制，因此无法得到逐行框选效果。

优化调整说明 #

1. 新增图像预处理步骤：转灰度、降噪、二值化，提升行边界识别准确率
2. 过滤层级为4的行级识别结果，仅保留文本行的边界框
3. 新增行区域裁剪、保存逻辑，可直接输出每行的单独jpeg文件
4. 可选单独对每行文本做识别，提升整体识别准确率

完整修改后代码 #

import cv2
import pytesseract
from pytesseract import Output

# 配置tesseract路径
pytesseract.pytesseract.tesseract_cmd = r'C:\\ProgramData\\Tesseract-OCR\\tesseract.exe'

# 读取图像，可替换为自身实际路径
img = cv2.imread('1.png')
# 图像预处理：减少噪声干扰，提升行识别准确率
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5,5), 0)
thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# 调用tesseract获取识别数据，lang参数可按需调整，比如中英文混合用'chi_sim+eng'
d = pytesseract.image_to_data(thresh, output_type=Output.DICT, lang='eng')
n_boxes = len(d['level'])

line_count = 0
for i in range(n_boxes):
    # 仅保留行级、非空文本的边界框
    if d['level'][i] == 4 and d['text'][i].strip() != "":
        (x, y, w, h) = (d['left'][i], d['top'][i], d['width'][i], d['height'][i])
        # 绘制行边界框
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
        # 裁剪行区域
        line_region = img[y:y+h, x:x+w]
        # 保存行区域为jpeg文件
        cv2.imwrite(f'line_{line_count}.jpeg', line_region)
        # 可选：单独识别该行文本，准确率更高
        line_text = pytesseract.image_to_string(line_region, lang='eng')
        print(f"第{line_count}行识别结果：{line_text.strip()}")
        line_count += 1

# 展示带框的结果
cv2.imshow('行识别结果', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数调整提示 #

如果行识别效果不符合预期，可以调整image_to_data的config参数，添加--psm分页模式配置：

• config='--psm 3'：默认自动分页，适用于常规排版文档
• config='--psm 6'：假设图像为单块统一文本，适用于排版规整的表格/单据
• config='--psm 12'：稀疏文本模式，可识别任意顺序的文本行，适用于排版零散的图像

内容的提问来源于stack exchange，提问作者Charlie