一、图像预处理（最关键）
Tesseract 对输入图像质量非常敏感，良好的预处理能显著提升识别准确率。

1. 调整分辨率
   推荐 DPI ≥ 300（理想为 300–600）。低分辨率图像会导致字符模糊。

可使用 ImageMagick 或 OpenCV 放大图像：

convert input.png -density 300 output.png

1. 二值化（黑白化）
   将图像转为黑白（非灰度），有助于去除背景干扰。

使用自适应阈值（如 Otsu 算法）效果更好：

import cv2
img = cv2.imread('input.png', 0)
_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
cv2.imwrite('output.png', thresh)

1. 去噪
   使用中值滤波、高斯模糊或形态学操作去除斑点和杂讯。

示例（OpenCV）：

denoised = cv2.medianBlur(img, 3)

1. 校正倾斜（Deskew）
   文本行倾斜会严重影响识别。可使用霍夫变换或 Tesseract 自带的自动旋转功能（需启用）。
2. 对比度增强
   提高文字与背景的对比度，尤其适用于扫描件或低质量照片。
3. 裁剪无关区域
   去除边框、水印、页眉页脚等非文本内容。

二、Tesseract 参数优化

1. 指定合适的 PSM（Page Segmentation Mode）
   默认是 PSM 3（全自动分页），但针对特定场景应手动设置：

--psm 6：假设为统一区块的文本（适合表格或对齐文本）
--psm 7：单行文本
--psm 8：单个单词
--psm 10：单个字符
示例：

tesseract input.png output --psm 6

1. 选择正确的语言模型（-l）
   使用最匹配的语言包，例如中文简体用 chi_sim，繁体用 chi_tra。

多语言混合：-l eng+chi_sim
确保已安装对应语言包（通过 tesseract --list-langs 查看）

1. 启用 LSTM 模型（Tesseract 4+）
   默认已启用，但可显式指定：

tesseract input.png output --oem 1
OEM 1：LSTM only（推荐）
OEM 0：Legacy Tesseract engine
OEM 3：默认（自动选择）

1. 配置白名单/黑名单字符（适用于固定格式）
   例如只识别数字：

tesseract input.png output -c tessedit_char_whitelist=0123456789

三、使用自定义训练模型（高级）
如果你的文本具有特殊字体、行业术语或排版（如发票、车牌、手写体），可考虑：
使用 Tesseract 的训练工具（如 tesstrain）训练自定义 .traineddata 模型。
利用开源预训练模型（如针对身份证、车牌优化的模型）。
四、后处理
对 OCR 输出进行拼写检查、正则校验或 NLP 纠错（如使用 SymSpell、LanguageTool）。
结合上下文规则过滤不合理结果（如日期格式、电话号码）。
五、其他建议
避免 JPEG 压缩：使用 PNG 等无损格式保存预处理后的图像。
测试不同版本：Tesseract 5.x 相比 4.x 在 LSTM 和布局分析上有改进。
结合 Layout 分析工具：如 pdf2image + Tesseract + LayoutParser 处理复杂文档。
示例完整流程（Python + OpenCV + Tesseract）

import cv2
import pytesseract
读取图像
img = cv2.imread('input.jpg')
转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
二值化（Otsu）
_, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
保存临时文件
cv2.imwrite('temp.png', thresh)
OCR
text = pytesseract.image_to_string('temp.png', lang='chi_sim', config='--psm 6 --oem 1')
print(text)