OCR识别核心是图像预处理而非调参：先灰度化与自适应二值化，再开运算去噪，接着倾斜校正，最后缩放至300 DPI；中文需指定lang='chi_sim'并配置tessdata，PSM模式按场景选用。

用 Python 做 OCR 识别，核心是让图像“更适合被 Tesseract 看懂”——不是靠调高参数，而是把图片先处理干净。Tesseract 本身不擅长处理模糊、倾斜、低对比度或带噪点的图，所以预处理比换模型更关键。

安装与基础配置

Tesseract 需要系统级安装（不只是 pip），Python 端用 pytesseract 调用：

• macOS：用 brew install tesseract，再 pip install pytesseract opencv-python numpy
• Windows：去 UB-Mannheim 官网 下安装包，勾选添加到 PATH；之后 pip 安装同上
• 验证是否成功：import pytesseract; print(pytesseract.get_tesseract_version())
• 中文识别必须指定语言：lang='chi_sim'（简体）或 'chi_tra'（繁体），需提前下载对应训练数据（tessdata 仓库）并放入 Tesseract 的 tessdata 目录

图像预处理四步法

多数识别失败，问题出在输入图像。以下四步按顺序做，每步解决一类常见干扰：

• 灰度化 + 二值化：去掉颜色干扰，突出文字区域。推荐用 OpenCV 的自适应阈值（cv2.adaptiveThreshold），比全局阈值更适应光照不均的图
• 去噪 & 细化：用形态学操作（如 cv2.morphologyEx 中的开运算）清除散点噪点；对细字体可加 cv2.ximgproc.thinning（需 opencv-contrib-python）
• 倾斜校正：检测文字行角度，用仿射变换旋转。简单方法是霍夫线检测后取中位角；也可用 skimage.transform.rotate 配合投影法粗估
• 分辨率提升：Tesseract 推荐 300 DPI。若原图太小，用 cv2.resize 放大（插值选 cv2.INTER_CUBIC），但别过度放大，否则边缘发虚

实战代码片段（含注释）

以下是一个端到端可运行的精简流程，处理一张扫描件截图：

Red Panda AI

AI文本生成图像

下载

import cv2
import numpy as np
import pytesseract
def preprocess(img_path):
img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
自适应二值化
binary = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
# 开运算去噪
kernel = np.ones((2,2), np.uint8)
cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
# 放大至 300 DPI 等效尺寸（假设原始为 72 DPI，放大 ~4.2x）
h, w = cleaned.shape
resized = cv2.resize(cleaned, (int(w*4.2), int(h*4.2)), interpolation=cv2.INTER_CUBIC)
return resized
img_pre = preprocess("receipt.jpg")

text = pytesseract.image_to_string(img_pre, lang='chi_sim', config='--psm 6')

print(text.strip())

注意：--psm 6 表示“假设为单块均匀文本”，适合常规文档；表格或混排内容可试 --psm 4（分段）或 --psm 1（自动页面分割）
避坑提醒
这些细节不处理，准确率会断崖下跌：

Tesseract 对阴影、水印、底纹极度敏感——预处理时先用 cv2.inpaint 或背景建模抹掉大面积灰斑
中文标点（如《》【】）识别率偏低，可在后处理中用正则替换近似字符（如 “〈” → “《”）
小字号（＜10px）或手写体建议换专用模型（PaddleOCR、EasyOCR），Tesseract 不是万能的
识别结果含大量空行或乱码？大概率是二值化阈值不合适，改用 Otsu 法（cv2.threshold(..., cv2.THRESH_OTSU)）自动寻优