看起来你遇到的核心问题是半透明文字和背景融合，导致阈值处理后残留背景噪点，干扰了Tesseract的识别。我给你几个针对性的改进思路和实操方案，都是处理这类半透明文字时比较有效的方法：

一、改用自适应阈值替代全局OTSU阈值 #

全局阈值（比如你用的OTSU）对亮度不均的半透明文字很不友好——要么把半透明的文字部分截断，要么留下大量背景噪点。自适应阈值会针对每个局部区域计算专属阈值，能更好地分离半透明文字和背景：

# 先将图像转为灰度图（如果输入是彩色图的话）
gray_img = cv2.cvtColor(coord_img, cv2.COLOR_BGR2GRAY)
# 高斯模糊去除细微噪点，同时保留文字边缘
blur_img = cv2.GaussianBlur(gray_img, (3, 3), 0)
# 自适应高斯阈值，把文字转为白色、背景转为黑色（符合Tesseract识别偏好）
adaptive_thresh = cv2.adaptiveThreshold(
    blur_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
    cv2.THRESH_BINARY_INV, 11, 2
)

这里的11是邻域窗口大小（必须为奇数），2是阈值调整量，可以根据你的图像实际情况微调——窗口太小可能保留噪点，太大可能模糊文字边缘。

二、尝试背景减法（适用于有纯净背景的场景） #

如果你的坐标图像有重复的固定背景，或者能单独获取一张不含文字的纯净背景图，背景减法能直接提取出半透明文字的混合区域：

# 读取同尺寸的纯净背景灰度图
background = cv2.imread("pure_background.jpg", 0)
# 计算目标图与背景图的亮度差值
diff_img = cv2.absdiff(gray_img, background)
# 对差值图做阈值处理，过滤掉背景差异小的区域，只保留文字部分
ret, thresh_img = cv2.threshold(diff_img, 30, 255, cv2.THRESH_BINARY)

半透明文字本质是文字色与背景色的混合，差值运算能精准捕捉这种混合带来的亮度变化，几乎不会残留背景噪点。

三、简化腐蚀膨胀的组合，避免文字变形 #

你之前的“腐蚀→膨胀→再腐蚀”组合有点过度，容易让文字形状失真。建议用闭运算（先膨胀后腐蚀）来修复半透明文字可能出现的断裂，再配合轻量腐蚀去除边缘噪点：

# 创建小尺寸的结构元素，避免过度改变文字形状
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
# 闭运算：填充文字内部的小孔，连接断裂的笔画
closed_img = cv2.morphologyEx(adaptive_thresh, cv2.MORPH_CLOSE, kernel, iterations=1)
# 轻量腐蚀：去除边缘的零星噪点
processed_img = cv2.erode(closed_img, kernel, iterations=1)

四、优化Tesseract的识别配置 #

除了你的字符白名单，调整PSM模式能让识别更精准：

text = pytesseract.image_to_string(
    processed_img,
    config='--psm 8 -c tessedit_char_whitelist="-0123456789"'
)

--psm 8表示把图像当成单个字符序列（适合单独的坐标数字），比--psm 7（假设是单行文字）的针对性更强，能减少无关区域的干扰。

推荐的完整流程 #

彩色图转灰度 → 高斯模糊去噪 → 自适应阈值分割 → 闭运算修复笔画 → 轻量腐蚀去噪 → Tesseract识别

你可以根据自己图像的实际情况，调整窗口大小、结构元素尺寸这些参数，应该能解决半透明文字带来的识别问题。

备注：内容来源于stack exchange，提问作者miguelqnc