还记得那个深夜。我对着一堆扫描的发票图片发愁——财务要求提取所有金额数据做报表。

手工录入？几百张图片能要人命。

那时我才真正意识到 OCR技术 的价值。不只是识别文字那么简单，更是解放生产力的利器。

从Tesseract说起——开源OCR的王者

Tesseract最初由惠普开发，后来被Google接手优化。这个项目的演进史就是OCR技术发展的缩影。

早期版本识别率感人…… 目前的4.0+版本已经相当强悍了。

import pytesseract
from PIL import Image
import cv2
import numpy as np
def simple_ocr(image_path)：
    """最基础的OCR实现——效果往往不理想"""
    image = Image.open(image_path)
    text = pytesseract.image_to_string(image， lang='chi_sim')
    return text
# 这样写的话，识别率大致只有60%左右

问题在哪？

图片质量直接决定识别效果。现实中的图片往往有噪声、倾斜、光照不均等问题。

预处理——让OCR如虎添翼

我在实际项目中发现，图像预处理往往比OCR算法本身更重大。

def preprocess_image(image_path)：
    """图像预处理的完整流程"""
    # 读取图像
    img = cv2.imread(image_path)


    # 转换为灰度图
    gray = cv2.cvtColor(img， cv2.COLOR_BGR2GRAY)


    # 去噪处理
    denoised = cv2.medianBlur(gray， 5)


    # 二值化处理——这步很关键
    _， binary = cv2.threshold(denoised， 0， 255， 
                             cv2.THRESH_BINARY + cv2.THRESH_OTSU)


    # 形态学操作，连接断开的文字
    kernel = np.ones((2，2)， np.uint8)
    processed = cv2.morphologyEx(binary， cv2.MORPH_CLOSE， kernel)


    return processed

这套预处理流程能把识别率从60%提升到85%以上！

经验告知我，OTSU自适应阈值 比固定阈值效果好太多。它会自动计算最佳的二值化阈值。

深度优化——细节决定成败

真正的挑战在于处理各种边缘情况。

def advanced_ocr(image_path)：
    """生产级别的OCR实现"""
    # 预处理
    processed_img = preprocess_image(image_path)


    # 倾斜校正——许多人忽略这步
    coords = np.column_stack(np.where(processed_img > 0))
    angle = cv2.minAreaRect(coords)[-1]


    if angle < -45：
        angle = -(90 + angle)
    else：
        angle = -angle


    # 旋转图像
    (h， w) = processed_img.shape[：2]
    center = (w // 2， h // 2)
    M = cv2.getRotationMatrix2D(center， angle， 1.0)
    rotated = cv2.warpAffine(processed_img， M， (w， h)，
                           flags=cv2.INTER_CUBIC， 
                           borderMode=cv2.BORDER_REPLICATE)


    # 配置Tesseract参数
    custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'


    # OCR识别
    text = pytesseract.image_to_string(rotated， 
                                     lang='chi_sim+eng'，
                                     config=custom_config)


    return text.strip()

PSM模式 的选择很关键。PSM 6适合统一的文本块，PSM 8适合单个词，PSM 13适合单行文本。

性能对比——数据说话

我做过一个对比测试（Python 3.9，8GB内存环境）：

• 基础OCR：平均耗时2.3秒，识别率62%
• 加入预处理：平均耗时3.1秒，识别率87%
• 完整优化版：平均耗时4.2秒，识别率94%

时间换准确率。值得。

实际应用中的坑

字符白名单是个双刃剑。

限制太严格会漏掉有用信息，太宽松又会引入噪声。我的经验是根据具体场景动态调整。

发票识别？重点关注数字和常见汉字。 身份证识别？严格限制字符集。

# 针对不同场景的配置
INVOICE_CONFIG = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789.元￥'
ID_CARD_CONFIG = r'--oem 3 --psm 8'

语言模型的选择也有讲究。

chi_sim+eng比单独使用chi_sim效果更好，特别是处理中英混合文本时。

超越Tesseract——更多可能性

PaddleOCR是百度开源的解决方案。在中文识别上表现更优秀。

from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True， lang='ch')
result = ocr.ocr(image_path， cls=True)

EasyOCR支持80多种语言，对于多语言场景很友善。

但我发现，没有银弹。

不同工具在不同场景下表现差异很大。实际项目中往往需要组合使用，甚至自训练模型。

写在最后

OCR不是简单的调API。

真正的挑战在于理解业务场景，选择合适的预处理策略，调优参数配置。

每次看到那些原本需要人工录入几小时的数据，几秒钟就自动提取完成…这种成就感，大致就是技术改变生活的最好诠释吧。

从那个深夜开始，我的工具箱里多了一件趁手的武器。

你呢？准备好让Python为你的工作提效了吗？