预处理与参数调优（让识别率从“能看”到“可用”）

垆边人似月.2026-10-26 11:22

目标：解决第一期遇到的"明明人眼能看清，OCR 却认错"的问题。核心手段是图像预处理和识别参数控制。

1. 图像预处理：OpenCV 三件套

OCR 对图像质量非常敏感。灰度化、去噪、二值化是最基础的预处理组合，能显著提升 Tesseract 等传统引擎的识别率。

python

复制代码

import cv2
import numpy as np

def preprocess(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 放大：小字变大字，对 Tesseract 尤其有效
    gray = cv2.resize(gray, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)

    # 去噪 + Otsu 自动阈值二值化
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    _, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    return binary

processed = preprocess("receipt.jpg")
cv2.imwrite("processed.png", processed)

如果图片有倾斜，可以先用 cv2.minAreaRect 或霍夫变换做纠偏，再送入 OCR。

2. Tesseract 的 PSM 参数：告诉引擎"这是什么版式"

Tesseract 的 --psm 参数控制页面分割模式。默认模式 3 适合标准文档；如果只识别单行（比如身份证号、金额），用 psm 7；如果图片是稀疏的界面截图或小票，psm 11 往往更稳。

python

复制代码

# 只识别单行数字，并限定字符白名单
text = pytesseract.image_to_string(
    Image.open("amount.png"),
    config="--psm 7 -c tessedit_char_whitelist=0123456789."
)

3. 用置信度做过滤

OCR 输出里的置信度分数是调优的重要信号。低于阈值的识别结果，与其硬用，不如标记出来交给人工复核。EasyOCR 和 PaddleOCR 都直接返回置信度，pytesseract 则需要用 image_to_data 获取。

python

复制代码

# EasyOCR 按置信度过滤
filtered = [(bbox, text, score) for bbox, text, score in result if score > 0.5]

第二期的关键认知是：预处理决定了 OCR 的上限，参数决定了能否触达这个上限。同一张图，预处理前后、PSM 不同取值下的结果可能天差地别。https://github.com/0voice