简介:中文OCR没有识别率最高的通用软件,选对方案才是关键。本文讲清Tesseract、PaddleOCR与云OCR API各自的适用场景,说明如何选择并调优tessdata模型、--oem与--psm参数及图像预处理,附可运行代码与排错表,并给出用真实样本做对比测试的方法,帮你少走弯路。
中文OCR的效果取决于图片质量、版式、字体和业务要求。按场景选择更实际:
Tesseract 4 及以上版本使用 LSTM 神经网络做文字识别。PaddleOCR 基于深度学习的检测与识别模型,在自然场景文字和复杂版式上通常有更好的适应能力。云 OCR 的优势在于模型持续迭代,团队无需自己维护。这些都是一般性判断,具体效果必须用自己的图片测试才能确定。
Tesseract 本身只是识别引擎,效果很大程度上取决于 *.traineddata 语言模型。官方仓库提供三套模型:
| 模型库 | 特点 | 适用场景 |
|---|---|---|
| tessdata_best | 精度优先,文件大,推理慢 | 追求识别率,可接受更长耗时 |
| tessdata_fast | 速度优先,文件小 | 实时性要求高,算力有限 |
| tessdata(默认) | 精度与速度折中 | 通用场景 |
中文模型包括 chi_sim(简体)和 chi_tra(繁体)。中英混排可以指定 lang="chi_sim+eng"。
官方仓库体积较大,如果只需要中文和英文,可以只下载 chi_sim.traineddata 和 eng.traineddata 两个文件,放入同一目录后设置环境变量:
export TESSDATA_PREFIX=/path/to/tessdata_besttesseract --list-langs # 确认输出中包含 chi_sim
TESSDATA_PREFIX 应指向存放 traineddata 文件的目录,而不是文件本身。
调用示例:
import pytesseractfrom PIL import Image# Windows 或其他系统的路径请按实际安装位置修改pytesseract.pytesseract.tesseract_cmd = "/usr/bin/tesseract"text = pytesseract.image_to_string(Image.open("doc.png"),lang="chi_sim",config="--oem 1 --psm 6", # LSTM 引擎,假设为单一均匀文本块)print(text)
使用 --oem 1:走 LSTM 引擎。tessdata_best 只提供 LSTM 模型,所以应使用 --oem 1,选择 --oem 0 通常无法正常工作。
按版式选 --psm:单栏正文用 6,整页自动分析用 3(默认值),稀疏文本用 11,竖排文本可以试 5。多栏版面可以对比 3 和 4,或者先把每一栏切分出来单独识别,最终以真实样本的结果为准。参数选错,影响往往比换模型更大。
保证足够的分辨率:印刷文字建议达到 300 DPI 左右。低分辨率图片放大后无法补回笔画细节,重新扫描通常比放大更有效。
预处理通常比换模型更有效:流程一般是灰度化、自适应二值化、去噪、倾斜校正。下面是灰度化与自适应二值化的示例:
import cv2img = cv2.imread("doc.png", cv2.IMREAD_GRAYSCALE)img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 31, 15, # 邻域大小须为奇数)cv2.imwrite("doc_clean.png", img)
倾斜校正需要先估算文字角度,可以用 OpenCV 的 minAreaRect 计算文字区域的旋转角度,再对图片做反向旋转。
不要依赖空格参数处理中文:中文文本通常没有词间空格。preserve_interword_spaces 主要影响英文单词之间的间距,对中文作用很小。更稳的做法是在识别结果后用正则清理多余空格和断行,例如:
import reclean = re.sub(r"(?<=[\u4e00-\u9fff])\s+(?=[\u4e00-\u9fff])", "", text)
专业领域再考虑微调:医疗、法律、财务等领域有大量专用词汇时,可以在现有 LSTM 模型基础上继续训练。大致流程是:准备标注好的文本行图片,用 lstmtraining 基于 chi_sim 的 LSTM 权重继续训练,再用 combine_tessdata 打包成新的 traineddata。需要注意,combine_tessdata -u 的作用是把已有模型拆分为各个组件,它不能直接把词表和训练结果合并成一个模型。微调需要足够的标注数据,建议先确认通用模型加预处理的效果,再决定是否投入。具体步骤请以 Tesseract 官方训练文档为准。
| 方案 | 适合场景 | 部署方式 | 输出内容 | 成本 |
|---|---|---|---|---|
| Tesseract + tessdata_best | 印刷体中文,版式简单 | 纯本地 | 纯文本 | 开源免费,需自行维护 |
| PaddleOCR | 自然场景、复杂版式 | 本地或私有化 | 文本、表格等,依版本而定 | 开源免费,需自备算力 |
| 云 OCR 通用文字识别 | 模糊、倾斜、手写,需要稳定交付 | 公有云 API,部分提供离线 SDK 或私有化 | 文本、表格等 | 按调用量计费,免费额度以官网为准 |
| 模板类识别 | 版式固定的证照、票据 | 云端或私有化 | 按字段结构化 | 按调用量或授权计费 |
表中没有列出准确率数字,因为不同样本、版式和拍摄条件下结果差异很大。能力边界请以各产品的官方文档为准,并用自己的样本验证。
迁移到云 OCR 的成本不高。输入是图片,输出是文本,业务层只需替换识别函数。下面的示例使用百度智能云的通用文字识别 SDK,其他服务商的接口结构类似:
import osfrom aip import AipOcr # pip install baidu-aipclient = AipOcr(os.environ["OCR_APP_ID"],os.environ["OCR_API_KEY"],os.environ["OCR_SECRET_KEY"],)with open("doc.jpg", "rb") as f:result = client.accurateBasic(f.read(), {"language_type": "CHN_ENG"})if "error_code" in result:raise RuntimeError(f"OCR 调用失败:{result.get('error_msg')}")for line in result.get("words_result", []):print(line["words"])
密钥应从环境变量或密钥管理服务读取,不要写入代码,也不要提交到代码仓库或输出到日志中。建议把识别过程封装成统一接口,这样切换引擎或做横向对比时,业务代码无需改动。
让每个候选方案识别同一批图片,计算字符错误率(CER)。CER 越低,识别效果越好。计算方法如下:
def edit_distance(a: str, b: str) -> int:prev = list(range(len(b) + 1))for i, ca in enumerate(a, 1):cur = [i]for j, cb in enumerate(b, 1):cur.append(min(prev[j] + 1, # 删除cur[j - 1] + 1, # 插入prev[j - 1] + (ca != cb), # 替换或相同))prev = curreturn prev[-1]def cer(ref: str, hyp: str) -> float:ref = "".join(ref.split())hyp = "".join(hyp.split())return edit_distance(ref, hyp) / max(len(ref), 1)
按图片类型分别统计 CER,不要只看总平均值。一个方案可能在印刷体上表现好,却在手写或倾斜图片上明显变差。
| 现象 | 常见原因 | 处理方式 |
|---|---|---|
| 中文识别成乱码或方块 | 未加载 chi_sim,或 TESSDATA_PREFIX 路径错误 |
运行 tesseract --list-langs 检查 |
| 准确率突然大幅下降 | --psm 与版式不匹配 |
按版式重选 psm,多栏版面对比 3 和 4 |
| 数字与字母混淆 | 分辨率不足或字体过小 | 提高到 300 DPI 左右,必要时用 -c tessedit_char_whitelist 限定字符集 |
| 表格错行 | 引擎按文本流识别,不理解表格结构 | 使用表格识别接口,或改用模板识别 |
| 手写体识别效果差 | Tesseract 对手写的支持有限 | 换用云端手写识别能力,或做领域微调 |