Tesseract配置参数详解及适用场景（PyTesseract进行OCR）

在使用 PyTesseract 进行 OCR 时，合理配置参数是提高识别准确率的关键。以下是 Tesseract 常用参数的详细解释和适用场景。

一、关键参数

（1）页面分割模式（Page Segmentation Mode, --psm）

控制 Tesseract 如何分析图像中的文本布局，对单行文本、多列文本、表格等不同场景有不同优化。

参数值	描述	适用场景
0	仅定向和脚本检测	用于分析文本方向和语言脚本（如中文、英文）
1	自动分页	处理包含多页内容的图像（如扫描书籍）
2	自动分页，但不进行 OCR	仅分析页面布局，不识别文本
3	全自动分页，无需 OCR	默认模式，适用于常规文档
4	假设为单列文本	处理报纸、杂志等多列文本
5	假设为垂直排列的文本	处理竖排文字（如古籍、日语竖排）
6	假设为单行文本	处理单行较长的文本（如标题）
7	视为单个文本行	短文本、验证码、标语
8	视为单个单词	孤立单词、品牌名、验证码（无空格）
9	视为单个单词在圆圈中	圆形排列的文字（如标志）
10	视为单个字符	单个字母或数字（如车牌字符）
11	稀疏文本	分散在图像中的文本（如水印、标签）
12	稀疏文本，先进行 OSD	稀疏文本且需要自动检测方向
13	原始行	忽略布局，按行处理（适用于不规则文本）

验证码场景推荐：psm 7（单行文本）或 psm 8（单个单词）。

（2）OCR 引擎模式（OCR Engine Mode, --oem）

控制使用的 OCR 引擎类型。

参数值	描述	适用场景
0	仅使用传统 Tesseract 引擎	旧版本兼容性，对简单文本可能更快
1	仅使用 LSTM 引擎	推荐模式，识别准确率更高，支持更多语言
2	同时使用两种引擎	综合两种引擎结果，可能更准确但更慢
3	默认，自动选择	通常选择 LSTM 引擎（推荐）

推荐配置：–oem 3（自动选择 LSTM）。

（3）字符白名单（tessedit_char_whitelist）

限制 Tesseract 只识别指定字符，大幅提高特定场景的准确率。

# 仅识别数字
config = r'-c tessedit_char_whitelist=0123456789'

# 识别数字和小写字母
config = r'-c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyz'

适用场景：

• 验证码（已知字符集）
• 车牌识别（如 ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789）
• 特定领域文本（如仅含数字的发票金额）

（4）语言参数（-l）

指定识别语言，需安装相应语言包。

# 英文
text = pytesseract.image_to_string(image, lang='eng')

# 简体中文
text = pytesseract.image_to_string(image, lang='chi_sim')

# 中英文混合
text = pytesseract.image_to_string(image, lang='eng+chi_sim')

安装语言包：

• Windows：通过 Tesseract 安装程序勾选语言包
• Linux：sudo apt-get install tesseract-ocr-（如 tesseract-ocr-chi-sim）

（5）其他常用参数

参数	描述	示例
tessedit_pageseg_mode	与 --psm 等效，用于配置文件	-c tessedit_pageseg_mode=8
preserve_interword_spaces	保留单词间空格（默认为0）	-c preserve_interword_spaces=1
textord_min_linesize	最小文本行高（像素）	-c textord_min_linesize=20
tessedit_char_blacklist	黑名单字符（不识别的字符）	-c tessedit_char_blacklist=!@#$%^&*()

二、组合参数示例

（1）验证码识别

# 配置：LSTM引擎，视为单个单词，仅识别数字和小写字母
config = r'--oem 3 --psm 8 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyz'
text = pytesseract.image_to_string(image, config=config)

（2）单行文本（如车牌）

# 配置：单行文本，仅识别大写字母和数字
config = r'--oem 3 --psm 7 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789'
text = pytesseract.image_to_string(image, config=config)

（3）多列文本（如报纸）

# 配置：自动检测多列布局
config = r'--oem 3 --psm 4'
text = pytesseract.image_to_string(image, config=config)

（4）竖排中文文本

# 配置：垂直排列文本，中文识别
config = r'--oem 3 --psm 5 -l chi_sim'
text = pytesseract.image_to_string(image, config=config)

三、pytesseract实践例子

• PyTesseract 可以直接处理原始图像，但对质量较差的图片（如模糊、有噪点、光照不均），预处理能显著提升识别准确率。高质量图像（清晰、无噪点、光照均匀），低质量图像（扫描件、手机拍摄、光照不均）。
• 默认配置是针对标准印刷体文本优化的，而验证码这类特殊文本需要定制参数才能正常工作。
  具体见下面链接

图像识别预处理（配合pytesseract使用）