关于Tesseract 4.0中LSTM神经网络适用参数及参数范围的问询

你提到的这个问题确实挺常见的——Tesseract 4.0里传统OCR引擎和LSTM引擎的参数兼容性差异很大，尤其是你试过的tessedit_char_whitelist和tessedit_char_blacklist，在LSTM模式（不管是OEM_LSTM_ONLY还是默认的混合模式OEM_DEFAULT）下确实会被直接忽略，因为这俩是专门给传统引擎设计的。

下面给你梳理清楚LSTM适用的参数，以及怎么区分两种引擎的参数范围：

一、先解决你的核心疑问：字符黑白名单的替代方案 #

要在LSTM模式下限制识别的字符集，得用LSTM专属的黑白名单参数：

• lstm_char_whitelist：和传统的tessedit_char_whitelist功能一致，但只对LSTM引擎生效
• lstm_char_blacklist：替代tessedit_char_blacklist，用于排除特定字符

比如你要让LSTM只识别数字，命令行里就这么写：

tesseract input.png output --oem 1 -c lstm_char_whitelist=0123456789

（--oem 1指定用纯LSTM引擎）

二、常用的LSTM专属参数 #

除了字符约束，这些参数是专门针对LSTM设计的：

• lstm_choice_mode：控制LSTM的候选字符选择逻辑，比如设为2会优先按置信度排序，设为1会结合字典辅助识别
• lstm_batch_size：调整批量处理的字符数量，数值越大识别速度越快，但内存占用也越高
• load_system_dawg/load_freq_dawg：LSTM默认不加载字典（因为它依赖上下文建模而非字典匹配），如果需要字典辅助可以开启这两个参数
• min_characters_to_try/max_characters_to_try：限制LSTM尝试识别的文本长度范围，适合短文本（比如验证码）场景

三、怎么区分参数属于传统引擎还是LSTM？ #

Tesseract的参数命名有很明确的规律：

• 所有**前缀带lstm_**的参数，都是LSTM专属的，只在OEM_LSTM_ONLY或OEM_DEFAULT模式下生效
• 不带lstm_的传统参数，大部分只在OEM_TESSERACT_ONLY模式下有用，少数通用参数（比如页面分割模式tessedit_pageseg_mode、图像反转tessedit_do_invert）两种引擎都支持

如果想要完整的参数列表，直接在命令行运行：

tesseract --print-parameters

然后筛选带lstm_的条目，就是所有LSTM相关的参数了。

内容的提问来源于stack exchange，提问作者Fabian