优化Tesseract OCR识别像素化数字图像的策略

from PIL import Image

def preprocess_image_for_ocr(image_path, scale_factor=2):
    """
    加载图像并进行放大预处理。

    Args:
        image_path (str): 图像文件路径。
        scale_factor (int): 放大倍数，默认为2。

    Returns:
        PIL.Image.Image: 预处理后的图像对象。
    """
    img = Image.open(image_path)
    w, h = img.size

    new_w = w * scale_factor
    new_h = h * scale_factor

    # 使用最近邻插值进行放大，适用于像素化图像
    img_resized = img.resize((new_w, new_h), Image.Resampling.NEAREST)
    print(f"原始尺寸: {w}x{h}, 放大后尺寸: {new_w}x{new_h}")
    return img_resized

# 示例使用
# image_path = 'your_pixelated_number_image.png'
# processed_img = preprocess_image_for_ocr(image_path, scale_factor=2)
# processed_img.save('enlarged_image.png') # 可以保存查看效果

# 构建自定义配置字符串
# --oem 3: 使用最新的OCR引擎模式
# --psm {psm_value}: 页面分割模式，需要动态调整
# -c tessedit_char_whitelist=0123456789.,-: 字符白名单
custom_config_template = r'--oem 3 --psm {psm_value} -c tessedit_char_whitelist=0123456789.,-'

from PIL import Image
import pytesseract
import os

# 配置Tesseract路径 (如果Tesseract不在系统PATH中，需要指定)
# pytesseract.pytesseract.tesseract_cmd = 'C:\Program Files\Tesseract-OCR\tesseract.exe'

def recognize_pixelated_number(image_path, scale_factor=2):
    """
    处理像素化数字图像，通过放大和PSM模式实验来提高OCR识别准确率。

    Args:
        image_path (str): 图像文件路径。
        scale_factor (int): 图像放大倍数。

    Returns:
        str: 最佳识别结果。
    """
    # 1. 图像预处理：放大图像
    img = Image.open(image_path)
    w, h = img.size
    print(f"原始尺寸: {w}x{h}")

    new_w = w * scale_factor
    new_h = h * scale_factor
    img_resized = img.resize((new_w, new_h), Image.Resampling.NEAREST)
    print(f"放大后尺寸: {new_w}x{new_h}")

    # 可以选择保存放大后的图像以便调试
    # img_resized.save("enlarged_for_ocr.png")

    best_text = ""
    best_psm = -1

    print("
--- 尝试不同PSM模式 ---")
    # 2. 遍历并测试所有PSM模式
    for psm in range(0, 14): # PSM模式范围通常是0到13
        try:
            # 构建自定义配置，包含字符白名单
            custom_config = fr'--oem 3 --psm {psm} -c tessedit_char_whitelist=0123456789.,-'

            # 使用Tesseract进行OCR识别
            text = pytesseract.image_to_string(img_resized, lang='eng', config=custom_config)
            text = text.strip() # 清理提取文本中的空白符和换行符

            print(f"PSM {psm:2} | 识别结果: '{text}'")

            # 简单判断是否识别到我们期望的格式（包含负号和数字）
            # 实际应用中可能需要更复杂的验证逻辑
            if '-' in text and any(char.isdigit() for char in text):
                if not best_text: # 第一次找到有效结果
                    best_text = text
                    best_psm = psm
                # 如果有更精确的判断标准，可以在这里更新 best_text
                # 例如，如果目标是"-1.49"，可以检查 text == "-1.49"
                if text == "-1.49": # 假设目标是"-1.49"
                    best_text = text
                    best_psm = psm
                    break # 找到精确匹配，提前退出

        except Exception as ex:
            print(f"PSM {psm:2} | 错误: {ex}")

    print("
--- 识别总结 ---")
    if best_text:
        print(f"最佳识别结果: '{best_text}' (PSM: {best_psm})")
        return best_text
    else:
        print("未能识别到有效数字。")
        return None

# 假设你的图像文件名为 'image.png'
# 请确保该文件与脚本在同一目录下，或提供完整路径
image_file = 'image.png' # 替换为你的图像文件路径

if not os.path.exists(image_file):
    print(f"错误: 图像文件 '{image_file}' 不存在。请检查路径。")
else:
    extracted_number = recognize_pixelated_number(image_file, scale_factor=2)
    print(f"
最终提取的数字: {extracted_number}")

原始尺寸: 41x24
放大后尺寸: 82x48

--- 尝试不同PSM模式 ---
PSM  0 | 错误: (1, 'Warning, detects only orientation with -l eng Tesseract Open Source OCR Engine v4.1.1 with Leptonica Warning: Invalid resolution 0 dpi. Using 70 instead. Estimating resolution as 234 Too few characters. Skipping this page Warning. Invalid resolution 0 dpi. Using 70 instead. Too few characters. Skipping this page Error during processing.')
PSM  1 | 识别结果: '-1.49'
PSM  2 | 错误: [Errno 2] No such file or directory: '/tmp/tess_xxxx.txt'
PSM  3 | 识别结果: '-1.49'
PSM  4 | 识别结果: '-1.49'
...
PSM 11 | 识别结果: '-1.49'
PSM 12 | 识别结果: '-1.49'
PSM 13 | 识别结果: ''

--- 识别总结 ---
最佳识别结果: '-1.49' (PSM: 1)

最终提取的数字: -1.49