如何修复Tesseract OCR数字识别中将3误识别为4的代码问题

待识别原图 #

错误原因 #

• 原代码二值化阈值设置为200过高，数字3顶部的浅灰色像素被判定为背景涂黑，导致3的轮廓缺失，被误识别为4
• 预处理未做去噪，少量噪点会干扰Tesseract判断
• PSM模式选择不当，--psm 11是稀疏文本模式，对连续数字串的识别适配性不如单字串模式

修改后的代码 #

from PIL import Image, ImageEnhance, ImageFilter
import pytesseract
pytesseract.pytesseract.tesseract_cmd = r"C:\\Users\\Никитос\\AppData\\Local\\Programs\\Tesseract-OCR\\tesseract.exe"

img = Image.open('C:\\Users\\Никитос\\Desktop\\unknown.jpg')
# 先小幅提高亮度再提对比度，保留暗部轮廓细节
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.2)

# 调低二值化阈值，保留数字3顶部的浅色像素
thresh = 180
fn = lambda x : 255 if x > thresh else 0
res = img.convert('L').point(fn, mode='1')
# 加中值滤波去噪，消除细碎杂点干扰
res = res.filter(ImageFilter.MedianFilter(size=3))

res.save("res.jpg")
# 改用psm 8模式（将整张图识别为单个词），明确限定只识别0-9数字，排除其他字符干扰
text = pytesseract.image_to_string("res.jpg",config='--psm 8 -c tessedit_char_whitelist=0123456789')
print(text)

验证效果 #

修改后运行代码即可输出正确结果35860。

内容的提问来源于stack exchange，提问作者Никита Давыдов