Python中pytesseract+tesseract-ocr识别验证码效果不佳，如何优化？

识别验证码效果不佳，通常是因为图片预处理没做好。tesseract本身对干净、清晰的文字图片识别率才高，直接扔给它一张验证码原图，效果肯定差。

核心思路是：先把图片处理成接近黑底白字的清晰二值化图像，再交给tesseract识别。下面这个代码示例演示了常用的预处理流程，你可以根据自己验证码的特点（比如干扰线、噪点、颜色）调整参数：

import pytesseract
from PIL import Image, ImageFilter, ImageEnhance
import cv2
import numpy as np

def preprocess_image(image_path):
    # 1. 用PIL打开图片
    img = Image.open(image_path)
    
    # 2. 转换为灰度图
    img = img.convert('L')
    
    # 3. 增强对比度（很多验证码对比度低）
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(2.0)  # 2.0是增强因子，根据实际情况调整
    
    # 4. 二值化（阈值可以调整）
    # 方法一：简单阈值
    # img = img.point(lambda x: 0 if x < 180 else 255, '1')
    
    # 方法二：用OpenCV自适应阈值（对光照不均的图片更好）
    img_np = np.array(img)
    img_np = cv2.medianBlur(img_np, 3)  # 中值滤波去噪
    thresh = cv2.adaptiveThreshold(img_np, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                  cv2.THRESH_BINARY, 11, 2)
    img = Image.fromarray(thresh)
    
    # 5. 去噪（可选）
    img = img.filter(ImageFilter.MedianFilter(size=3))
    
    # 6. 放大图片（小字识别差）
    img = img.resize((img.width*2, img.height*2), Image.Resampling.LANCZOS)
    
    return img

def recognize_captcha(image_path):
    # 预处理图片
    processed_img = preprocess_image(image_path)
    
    # 配置tesseract参数
    custom_config = r'--oem 3 --psm 8 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ'
    # 参数说明：
    # --psm 8: 将图片视为单个单词
    # --oem 3: 默认OCR引擎
    # -c tessedit_char_whitelist: 设置可能出现的字符（根据你的验证码字符集调整）
    
    # 识别
    text = pytesseract.image_to_string(processed_img, config=custom_config)
    return text.strip()

# 使用示例
result = recognize_captcha('captcha.png')
print(f"识别结果: {result}")

关键点：

1. 预处理比调参更重要：上面代码中的灰度化、对比度增强、二值化、去噪、放大这五步，对大多数简单验证码都有效。
2. 字符白名单：如果你的验证码只包含数字或特定字母，一定要在tessedit_char_whitelist参数里限制字符集，能大幅提升准确率。
3. PSM模式：--psm 8是把整个图片当作一个单词来识别，适合没有空格分隔的验证码。如果验证码字符间有间隔，可以试试--psm 7（单行文本）。

如果验证码有彩色背景或干扰线，可能需要先提取主要颜色或进行颜色过滤。复杂的验证码（比如扭曲严重、重叠字符）可能还需要更专业的图像处理甚至机器学习方法。

总结：重点搞好图片预处理。