Pytesseract识别截图文本后半段频繁乱码出错问题求助

• 缺少图像预处理步骤：原始截图直接送入识别模型，文本区域对比度不足、存在轻微噪点/模糊的情况下，后半段低辨识度文本很容易被识别为乱码
• 未配置Tesseract识别规则：默认识别模式会匹配所有语言字符、特殊符号，你场景仅需要识别英文和基础标点，无限制的识别范围会引入大量无效干扰结果
• 固定截图范围兼容性差：写死的bbox参数在页面缩放、分辨率变化、滚动偏移的场景下，可能出现后半段文本被截断、不在清晰识别区域的问题

你可以直接使用优化后的代码，核心新增了图像预处理、识别规则限制两个模块：

import time
import keyboard
import pytesseract
from pytesseract import image_to_string
from PIL import Image, ImageGrab
import cv2
import numpy as np

pytesseract.pytesseract.tesseract_cmd = 'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

# 1. 截图并预处理
img = ImageGrab.grab(bbox=(412,563,1054, 701))
# 转灰度图
img_gray = img.convert('L')
# 二值化处理，调整阈值适配你的截图文本颜色，这里假设深色文本浅色背景
threshold = 150
img_binary = img_gray.point(lambda x: 0 if x < threshold else 255, '1')
# 可选：保存预处理后的图方便调试
img_binary.save('processed_text.png')

# 2. 配置识别规则：限定识别单块文本，仅识别英文字母、空格和常用标点
custom_config = r'--psm 6 -c tessedit_char_whitelist="abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ .,!?\'"'
text = image_to_string(img_binary, config=custom_config)

# 3. 文本清洗
text = text.replace('\n',' ').strip()
# 去掉已知的开头异常B
if text.startswith('B '):
    text = text[2:]
print(text)

# 打字逻辑
time.sleep(1)
keyboard.write(text)

优化点说明 #

• 灰度+二值化处理后，文本和背景对比度大幅提升，Tesseract识别准确率会明显提高，如果识别效果仍不佳可以调整threshold参数的数值（取值范围0-255）
• 新增的识别配置里--psm 6指定Tesseract按单块统一文本处理，白名单配置过滤了所有不需要的特殊符号，避免乱码输出
• 增加了开头异常B的自动清除逻辑，不需要手动处理

你提供的识别异常截图样例如下：

内容的提问来源于stack exchange，提问作者History Project