如何提升书籍图片的Tesseract识别准确率以适配Google Books API

我完全懂你现在的烦恼——想把自己的书库同步到Goodreads，本来想着拍照提取书籍信息，再用Google Books API拿ISBN，结果pytesseract的识别结果拉胯得不行，试过纠偏和调整预处理也没起色，确实挺闹心的。

下面分享几个亲测有效的优化方向，你可以逐个试试：

一、优化图像预处理步骤 #

你当前的灰度、高斯模糊、OTSU阈值是基础操作，但针对书籍封面（可能有不均匀光照、印刷噪点），可以再升级一下：

1. 换成自适应阈值
   全局阈值在光照不均的情况下容易把部分文字糊掉，自适应阈值能针对局部区域调整：

# 替换原来的thresh代码
thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

这里用THRESH_BINARY_INV是因为很多书籍封面是深色背景浅色字，如果你的情况反过来，去掉_INV就行。

2. 用形态学操作清理噪点
   印刷书籍的文字边缘可能有小毛刺，或者背景有零星噪点，用开运算+闭运算可以快速清理：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
# 开运算：先腐蚀再膨胀，去掉小噪点
thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)
# 闭运算：先膨胀再腐蚀，填补文字缝隙
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=1)

3. 增强对比度
   如果图片整体偏暗或者对比度低，可以用直方图均衡化拉满文本和背景的差异：

gray = cv2.equalizeHist(gray)
# 之后再做模糊和阈值处理

二、给Tesseract加针对性参数 #

Tesseract默认是通用识别，针对ISBN这种固定格式的数字+短横线，我们可以限制它的识别范围，让它更专注：

# 自定义配置：指定引擎模式，设置文本块模式，限制可识别字符
custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789-'
text = pytesseract.image_to_data(thresh, lang='eng', config=custom_config, output_type='data.frame')

• --oem 3：混合使用传统引擎和LSTM引擎，兼顾准确率和兼容性
• --psm 6：告诉Tesseract，输入图像是单一均匀的文本块（适合ISBN这种集中的文本区域）
• tessedit_char_whitelist：只允许识别数字和短横线，直接过滤掉无关字符干扰

另外，如果能提前裁剪出ISBN的区域（比如用轮廓检测定位文本块，或者手动框选），只让Tesseract识别这一小块，准确率会大幅提升——毕竟少了封面其他图案、文字的干扰。

三、试试其他OCR工具 #

如果Tesseract实在不给力，可以换个工具试试，比如EasyOCR，它对印刷体的识别效果经常比Tesseract更省心，而且代码很简洁：

import easyocr
# 初始化英文识别器
reader = easyocr.Reader(['en'])
# 识别图片，返回结果包括文本和位置坐标
result = reader.readtext(thresh)
# 提取识别出的文本
extracted_text = [item[1] for item in result]

EasyOCR不需要太多预处理就能识别清晰的印刷体，你可以直接用原灰度图或者阈值图试试。

四、用ISBN规则做最后校验 #

无论用哪种OCR工具，都可能出现个别字符识别错误，这时候可以用ISBN的校验规则过滤/修正结果：

• 13位ISBN的校验位是通过前12位计算出来的，你可以写个简单的函数验证识别出的文本是否符合ISBN格式，把不符合的结果排除，或者尝试修正错误字符（比如把O改成0，把I改成1这类常见错误）。

最后提个小建议：拍照的时候尽量平拍，避免反光，保证文字清晰、光照均匀——前期拍得好，后期处理能省超多事！

备注：内容来源于stack exchange，提问作者ruthpozuelo