如何提升Python中OpenCV+pytesseract提取检验单图片的OCR识别准确率

当前识别偏差的核心成因 #

• 原配置使用--psm 6，默认按单一连续文本块识别，未适配检验单左右分栏的排版结构，极易出现跨栏串读，对应输出结果最后一行的乱码问题。
• 硬编码110的二值阈值未适配原图像的光照、字迹浓度差异，容易出现笔画断裂、背景噪点被识别为字符的问题。
• 未对小字号字符做尺度适配，Tesseract对像素高度不足20的小字号字符识别率会出现断崖式下降。
• 通用英文词库对医学检验专业术语的匹配度低，易出现形近字识别错误。

一、Tesseract运行参数优化 #

• 替换原有的psm配置：将--psm 6调整为--psm 4，即按可变尺寸的独立文本块拆分识别，适配检验单多区块排布的结构，减少跨栏串读概率。
• 补充语言与DPI参数：配置增加-l eng --dpi 300，强制加载英文语言包，指定与检验单扫描分辨率匹配的DPI值，避免Tesseract默认按72DPI识别造成的尺度误判。
• 优化后基础配置参考：custom_config = r'--oem 3 --psm 4 -l eng --dpi 300'

二、OpenCV预处理流程优化 #

替代当前硬编码固定阈值的处理逻辑，按以下步骤调整可大幅降低预处理带来的识别误差：

• 尺度放大：将灰度图按2倍比例做双三次插值放大，保证小字号字符的像素高度达到Tesseract的最优识别区间，参考代码：
  img = cv2.resize(gray, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)
• 降噪模糊：对放大后的灰度图做5*5核的高斯模糊，滤除纸张背景的扫描杂点、纹理噪点，避免噪点被识别为字符笔画，参考代码：
  blur = cv2.GaussianBlur(img, (5,5), 0)
• 自动阈值二值化：替换硬编码的110阈值，使用Otsu全局自动阈值方法，自动匹配当前图片的字迹与背景的亮度分界，参考代码：
  _, bin_img = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
• 去表格线：通过形态学开运算腐蚀掉检验单上的横竖表格分隔线，避免线条被误识别为字符，参考代码：

  # 移除竖表格线
  vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 15))
  img_removed_v = cv2.morphologyEx(bin_img, cv2.MORPH_OPEN, vertical_kernel, iterations=2)
  # 移除横表格线
  horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 1))
  img_removed_h = cv2.morphologyEx(img_removed_v, cv2.MORPH_OPEN, horizontal_kernel, iterations=2)
  # 反色还原为黑字白底格式
  processed_img = 255 - img_removed_h
  

三、场景化专项优化 #

• 自定义专业词库：将检验单常见的标准术语（如Nitrite、Urobilinogen、Epithelial cells等）整理为自定义词表，通过Tesseract的--user-words参数加载，强制模型优先匹配专业术语，减少形近字识别错误。
• 结构化分块识别：按检验单的固定排版，用像素坐标裁剪出左栏（检验项目名）、右栏（检测结果值）的独立图像区域，分别送入Tesseract识别，从根源上避免跨栏串读问题。
• 结果后处理纠错：整理Tesseract对本类检验单的高频形近识别错误（如Nigitesse对应Nitrite、Appereance对应Appearance、识别乱码片段对应Nitrite Negative），建立映射关系表，对输出文本做批量替换纠错。

内容的提问来源于stack exchange，提问作者FATEGH