Tesseract OCR无法识别特定单词Desktop问题原因及解决求助

• 代码存在逻辑BUG：模糊预处理后生成了tempFile_blur文件，但调用pytesseract.image_to_data时仍读取未做模糊处理的tempFile，模糊预处理步骤完全未生效
• 预处理策略不适配目标场景：当前用的Otsu全局阈值+反转的处理方式，可能不适配Desktop所在图片的光照、背景特征，容易出现文字笔画断裂、背景噪点过多的问题，干扰Tesseract识别
• Tesseract配置不合理：--psm 6是假设输入为单个统一的文本块，若Desktop是独立单词、周围有其他UI元素，该模式会大幅降低识别准确率；同时未限制识别字符范围，容易出现符号、数字误识别的情况
• 匹配逻辑过于严格：直接用keyword in results["text"]做完全匹配，若Tesseract识别结果前后携带空格、特殊符号，或存在大小写偏差，都会导致匹配失败
• 字号适配问题：若Desktop的字号远小于可正常识别的Description，Tesseract对小字号文本的识别准确率本身会大幅下降

• 修复代码BUG：将模糊处理后的识别逻辑的读取路径改为模糊后的文件，修改对应代码为：

results = pytesseract.image_to_data(Image.open(tempFile_blur), lang='eng', config='--psm 6', output_type=Output.DICT)

• 优化预处理流程：
  • 提前做对比度增强：使用cv2.convertScaleAbs(gray, alpha=1.5, beta=0)提升文字和背景的对比度
  • 调整阈值逻辑：根据目标图片的文字/背景颜色决定是否做阈值反转，避免文字被处理成背景；如果全局阈值效果差可以改用自适应阈值cv2.adaptiveThreshold
  • 补充形态学操作：用腐蚀、膨胀操作消除噪点，补全文字断裂的笔画
  • 放大待识别区域：如果目标文字字号偏小，可将预处理后的图片放大1.5-2倍后再送入Tesseract识别
• 调整Tesseract识别配置：
  • 替换PSM模式：识别独立单词时改用--psm 8（假设输入为单个单词）或--psm 11（稀疏文本查找），适配独立单词的识别场景
  • 增加字符白名单：在配置中添加-c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz，过滤无关字符干扰
  • 完整配置参考：'--psm 8 --oem 3 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz'
• 优化匹配逻辑：
  • 对识别结果做清洗：将results["text"]中的每个字符串先去除前后空格、特殊字符，再做大小写不敏感匹配
  • 可引入模糊匹配：使用编辑距离计算识别结果和目标关键词的相似度，相似度超过85%即可判定为匹配成功

内容的提问来源于stack exchange，提问作者MontX