企业官网建设流程全解析

简介：一份基于 Python、OpenCV 与 tesseract 的中文扫描票据 OCR 识别项目，面向计算机相关专业学生、教师及企业开发者，可直接用于毕业设计、课程设计、项目初期演示或作为学习 OCR 与图像处理的进阶案例。项目为个人高分毕业设计，已获导师指导认可并通过答辩，代码经过实际运行测试，配套使用文档、说明文档及完整资料，能够帮助读者快速掌握从票据图像预处理、文字区域检测到识别输出的完整流程。压缩包共 144 个文件，以 Python 源文件为主，辅以 XML 配置、PDF/Markdown 文档、预训练模型检查点与依赖资源；整体约 105.23MB，目录结构覆盖模型、脚本、数据与文档模块，便于对照阅读和二次开发。目前已有 205 人学习下载，代码结构清晰，关键模块便于根据实际需求替换模型或调整识别流程，可直接作为课设、毕设交付内容使用。

1. 中文扫描票据OCR：为什么用Python+OpenCV+tesseract这套组合就能落地

去年帮财务做报销票据自动录入，办公桌上一线排开几百张扫描件：发票、银行回单、行程单，歪的歪、糊的糊，红章还压在金额上。试过云接口，数据要出网、按张付费，财务当场摇头；最后落地方案就是Python+OpenCV+tesseract，在本地跑中文扫描票据OCR识别。OpenCV负责把图洗干净，tesseract负责把中文认出来，Python把整套流程串成自动脚本。这个组合对固定版式票据、单机处理、成本敏感的场景非常对路，尤其适合票据种类不多、量在几万张以内的内部系统。这篇按我当时从零到能用的顺序讲：先理清预处理和识别链路，再落地代码，最后说清参数和坑。

2. 从扫描图到文本：拆解中文票据识别的图像预处理链路

2.1 扫描票据的黑匣子：为什么tesseract吃预处理这套

tesseract本身能读图，但直接把扫描票据丢进去，十有八九翻车。扫描件的特点很集中：纸张底色偏黄或偏灰、文字边缘有噪点、红章和发票监制章叠在字符上、原稿放置角度略歪。tesseract做字符分割时，是按相邻像素和灰度变化来找字符边界的，一旦背景有花纹、印章边缘、阴影，分割线就会画歪，中文经常被认成“口口口”。

做OCR识别固定模板票据，预处理甚至可以先写死：灰度、去噪、二值化、倾斜校正。这四步解决的问题完全不同。灰度是去掉彩色通道干扰，尤其让红章不再以高饱和红色块参与二值化；去噪是为了消掉扫描件的颗粒感；二值化把文字变成白底黑字，给tesseract一个几乎只有字符的输入；倾斜校正则避免文字行基线偏移导致识别成乱序。少了其中任何一步，准确率都会肉眼可见地下降。所以预处理不是锦上添花，而是识别结果的“黑匣子”入口，入口脏了，后面全白搭。

2.2 灰度、去噪、二值化与倾斜校正：OpenCV关键步骤与参数

我一般把预处理拆成四个函数，每一步都能独立调参和验证。先用一张真实扫描件跑通流程，再固化参数。核心代码如下：

import cv2 import numpy as np def preprocess_for_ocr(image_path: str): # 读入原始扫描件，BGR 格式 img = cv2.imread(image_path) if img is None: raise FileNotFoundError(f"无法读取图片: {image_path}") # 1. 灰度：去掉彩色通道，避免红章、蓝色字干扰 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 2. 高斯去噪：核大小 3x3，去颗粒同时保留字符边缘 gray = cv2.GaussianBlur(gray, (3, 3), 0) # 3. 自适应二值化：解决扫描件光照不均、中间亮四周暗 # blockSize 必须为奇数，31 表示按 31x31 邻域计算阈值 # C=10 表示从局部均值中减去 10，值越大二值化后保留的细节越少 thresh = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize=31, C=10 ) # 4. 形态学开运算：先腐蚀后膨胀，去掉孤立的黑色噪点 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) cleaned = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel) return cleaned

说明一下几个容易踩的细节。GaussianBlur的核不是越大越好，票据字号通常在 10~14 磅，3x3 足够，用 5x5 会让小字黏连。adaptiveThreshold我优先选ADAPTIVE_THRESH_GAUSSIAN_C，因为扫描件受灯光影响常有渐变底色，全局阈值cv2.threshold在边角经常把背景也二值化成黑色。blockSize=31是经验值，票据上每行文字高度大约在 30~40 像素，这能让文字行被当作局部背景，而不是被吞掉。

二值化之后，还要处理扫描件最常见的倾斜问题。倾斜超过 2~3 度，tesseract 的行切分就开始乱，常见表现是“每行前半句正常、后半句跑到上一行”。我用最小外接矩形做快速校正：

def deskew(image, gray): # 输入为 0/255 二值图，文字为黑色 # 找到所有非零像素坐标，求最小外接矩形 coords = cv2.findNonZero(cv2.bitwise_not(gray)) if coords is None: return image angle = cv2.minAreaRect(coords)[-1] # 角度范围是 [-90, 0)，超过 -45 就转成锐角 if angle < -45: angle = 90 + angle h, w = image.shape[:2] center = (w // 2, h // 2) matrix = cv2.getRotationMatrix2D(center, angle, 1.0) # borderValue=255 补白，避免旋转后边角出现黑边 return cv2.warpAffine(image, matrix, (w, h), flags=cv2.INTER_CUBIC, borderValue=255)

这段的算法逻辑是：扫描件上的文字和表格线共同构成一个矩形点阵，minAreaRect会算出这个点阵的倾斜角。角度在 -45 度到 0 度之间，如果是 -60 度，实际是向右倾斜了 30 度，所以要加 90 度转成锐角。INTER_CUBIC插值对文字边缘的保留比默认的线性插值好，对票据这种高密度字符尤其明显。倾斜校正是整个预处理里“性价比”最高的一步，尤其当扫描仪自动进纸时，角度经常在 1~5 度之间抖动，不校正识别准确率直接掉三成。

2.3 tesseract参数怎么给：chi_sim、psm、oem的组合

图像洗好之后，识别参数决定了结果上限。pytesseract 只是壳，真正执行的是 tesseract 引擎和中文语言包chi_sim。调用时最关键的三个参数是lang、psm和oem：

import pytesseract from PIL import Image text = pytesseract.image_to_string( Image.open("cleaned.png"), lang="chi_sim", config="--psm 6 --oem 1" ) print(text)

lang="chi_sim"表示使用简体中文语言包，必须提前安装，否则报错Failed loading language 'chi_sim'。--psm是页面分割模式，票据识别最常用的几个值如下：

针对中文扫描票据，我默认用--psm 6。因为票据主体内容（项目、金额、编号）通常是一个连续的文本块，PSM 6 会跳过版式分析，直接按行切分，速度快、误切少。--psm 3也不是不行，但遇到骑缝章、二维码、红章，容易把干扰内容当成独立文本块，导致输出顺序混乱。--psm 11适合识别散落在凭证角落的手写备注或印章日期，但准确率比固定版式低不少，只做补充。

--oem是识别引擎模式：0 老式引擎、1 LSTM 引擎、2 两者结合、3 默认自动。现在主流中文语言包都是为 LSTM 训练，--oem 1是首选。如果发现专业名词识别率低，可以试试--oem 3，在老版和新版引擎之间自动切，某些票据字体在老引擎上反而能对上。这些参数不是一次定死，我在实际项目中会为每类票据做一组配置，放在配置文件里，后面到第六章再说怎么组织。

3. 跑通第一行中文识别：环境搭建、最小脚本与源码包的文件组织

3.1 环境和语言包安装

整套环境依赖 Python、OpenCV、tesseract 本体和中文语言包。最容易翻车的地方是：只pip install pytesseract，没装 tesseract 引擎，运行时报找不到 tesseract。另外，OpenCV 装的是opencv-python，不是opencv。安装命令如下：

# Python 依赖 pip install opencv-python pytesseract pillow # Linux (Debian/Ubuntu) 下安装 tesseract 和中文语言包 sudo apt update sudo apt install tesseract-ocr tesseract-ocr-chi-sim # macOS brew install tesseract tesseract-lang

Windows 下需要到 tesseract 的官方仓库安装完整的 exe，安装时勾选中文语言包。装完在 Python 里验证：

import pytesseract # 如果 tesseract 不在 PATH 中，Windows 需要显式指定路径 # pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe" print(pytesseract.get_languages(config=""))

如果输出的语言列表里有chi_sim，说明引擎和语言包都就位了。tesseract-ocr-chi-sim这个包只在 Linux 的 apt 源比较全，Windows 安装器一般会包含简体中文，但有些精简版没有，需要单独补语言包。补完记住刷新环境变量，不然tesseract_cmd还是找不到新的 tessdata 路径。

3.2 最小识别脚本

装完环境，用下面这段代码验证整条链路。这个脚本不做复杂处理，目的是确认“从图像输入到文本输出”通没通：

import cv2 import pytesseract # 读取原图 img = cv2.imread("sample_bill.jpg") if img is None: raise FileNotFoundError("请检查图片路径") # 灰度 + 高斯模糊 + 自适应二值化 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = cv2.GaussianBlur(gray, (3, 3), 0) thresh = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 10 ) # 识别中文，psm=6 适合票据正文 text = pytesseract.image_to_string( thresh, lang="chi_sim", config="--psm 6 --oem 1" ) print(text)

逻辑很清楚：先用 OpenCV 读图并二值化，把预处理结果直接传给 pytesseract。这里有个容易被忽略的地方：pytesseract 对 numpy 数组和二值图很敏感，如果输入是三维彩色数组，tesseract 会自动转灰度导致预处理白做。所以这里提前转了灰度再传。psm 6是给一整块连续文本用的，如果扫描件上有多个独立区域，先把这块跑通，再进入第四章的 ROI 方案。

参数怎么调？blockSize=31, C=10是默认起手式。如果票据底色偏白、字迹清晰，可以改成blockSize=41, C=15，减少背景纹理；如果票据是复写纸，底色反灰、字迹浅，把 C 降到 5，保留更多暗色细节。二值化之后建议顺手cv2.imwrite("preview.png", thresh)存一份预览，肉眼看不清的字，tesseract 大概率也认不出来。

3.3 源码包的常见文件组织

项目里拿了别人的源码包或自己重构时，我一般按以下方式组织文件，方便调试也方便交接：

project/ ├── ocr/ │ ├── __init__.py │ ├── preprocess.py # 图像预处理 │ └── recognizer.py # tesseract 封装 ├── config/ │ └── ocr.yaml # 每类票据的 psm/oem/ROI 参数 ├── docs/ │ └── 使用说明.md ├── samples/ │ ├── normal_bill.jpg │ └── rotated_bill.jpg ├── requirements.txt └── main.py

拿到这类源码包，先看requirements.txt和使用说明，确认作者用了哪个版本的 OpenCV 和 tesseract。我看到很多人直接pip install -r requirements.txt跑不起来，原因大都是 tesseract 语言包缺失，这不怪源码，是该装到系统层面的依赖没装。preprocess.py和recognizer.py分开写的好处是，单张图识别效果不对时，可以先跑预处理存图，再手工用 tesseract 命令行试参数，不用每次跑整套 Python 流程。

4. 把“能识别”做成“能录入”：ROI定位、字段提取与后处理

4.1 ROI裁切与透视变换

整页识别只是验证链路，真正做到能录入，必须把识别范围锁到关键字段区域。电子发票版式固定，但扫描票据受放纸位置影响，同一个“金额合计”字段在整页中的像素坐标会漂移 10~50 像素。直接按绝对坐标裁切不靠谱，要先找到票据外边框或表格线的位置。

我的做法是先用模板比对标定四个角点，然后做透视变换拉正。四角可以来自人工标注，也可以由最大外轮廓自动得到：

import cv2 import numpy as np def find_bill_corners(binary): # 找出面积最大的四边形轮廓，当作票据外框 contours, _ = cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) if not contours: raise ValueError("没有找到票据外框") contour = max(contours, key=cv2.contourArea) epsilon = 0.02 * cv2.arcLength(contour, True) approx = cv2.approxPolyDP(contour, epsilon, True) if len(approx) != 4: # 不是规则四边形，退回最小外接矩形 rect = cv2.minAreaRect(contour) return cv2.boxPoints(rect) return approx.reshape(4, 2).astype(np.float32) def warp_roi(image, corners): # 按角点排序：左上、右上、右下、左下 pts = np.array(corners, dtype=np.float32) rect = np.zeros((4, 2), dtype=np.float32) s = pts.sum(axis=1) rect[0] = pts[np.argmin(s)] # 左上 rect[2] = pts[np.argmax(s)] # 右下 diff = np.diff(pts, axis=1).reshape(-1) rect[1] = pts[np.argmin(diff)] # 右上 rect[3] = pts[np.argmax(diff)] # 左下 width = int(max(np.linalg.norm(rect[1] - rect[0]), np.linalg.norm(rect[2] - rect[3]))) height = int(max(np.linalg.norm(rect[3] - rect[0]), np.linalg.norm(rect[2] - rect[1]))) dst = np.array([[0, 0], [width - 1, 0], [width - 1, height - 1], [0, height - 1]], dtype=np.float32) matrix = cv2.getPerspectiveTransform(rect, dst) return cv2.warpPerspective(image, matrix, (width, height))

透视变换的价值不止是“摆正”，更是把拍摄角度造成的梯形失真去掉。普通扫描仪很少出现这种失真，但用手机拍的高拍仪图片，俯仰角稍微偏一点，票据上下宽度就不同，文字笔画也会粗细不均。做过透视变换后，后续ROI坐标才能在多次扫描之间通用。

拿到拉正后的图像，再按模板坐标裁切字段区域。比如“发票号码”通常在外框右上角，“小写金额”在表格右下角，我可以把坐标写进配置。ROI裁切时注意多留 5~10 像素边距，否则字符贴边会被裁掉，切出来的图再交给 tesseract 时，记得把分辨率放大到至少 300 DPI 对应的像素尺寸，cv2.resize用插值放大 2 倍后再识别更稳。

4.2 竖排文本和表格怎么切

有相当一部分老式票据的备注栏是竖排的。tesseract 的--psm 5专门处理纵向排列文本，但前提是输入图像里只有这一列竖排文字。我的做法是把竖排区域裁出来，旋转 90 度变成横排，再用--psm 6识别，这样对中文语言包更友好。竖排区域如果混在横排表格里，旋转反而会被周围文字干扰，宁可先裁切再旋转，也不要整页旋转。

表格是票据识别的另一大难点。多栏明细的抬头、数量和单价各占各列，tesseract 默认按行输出，结果往往是把同一行的三个列值合并成一串。我一般用水平投影切行，再做列切分：

def split_table_rows(binary): # 对二值图做水平投影，统计每行黑色像素数量 h, w = binary.shape row_hist = cv2.reduce(binary, 1, cv2.REDUCE_AVG).flatten() rows = [] in_row = False start = 0 for y in range(h): # 黑色像素多的行属于表格内容 if row_hist[y] < 0.2: if not in_row: in_row = True start = y else: if in_row: rows.append((start, y)) in_row = False return rows

这段代码把二值图中黑色像素密度高的连续区段当作一个文本行。阈值0.2可以根据表格线和文字粗细调整，我建议先用cv2.imshow把行分割结果可视化再批量应用。分出来的每一行其实还能继续做竖直投影，按列分隔线切成单元格。表格处理是不是必须？看业务需求，如果只需要票面总金额，不录明细，那就不切表格，直接识别 ROI 区域反而省事。

4.3 正则与格式化的后处理

tesseract 返回的文本永远是“原始字符串”，哪怕识别完全准确，也可能带着全角空格、半角括号混用、金额多了小数点。直接存库前必须做后处理。固定字段的提取用正则就够，比如发票号码、日期、金额：

import re def extract_values(text): result = {} # 发票号码：一般 8~20 位数字，可能带 - 或 后 8 位 m = re.search(r'发票号码[：:\s]*([0-9]{8,20})', text) if m: result['invoice_no'] = m.group(1) # 日期：2024-01-05 / 2024年1月5日 m = re.search(r'(\d{4})[年\-/](\d{1,2})[月\-/](\d{1,2})日?', text) if m: result['date'] = f"{m.group(1)}-{int(m.group(2)):02d}-{int(m.group(3)):02d}" # 金额：保留两位小数，兼容千分位 m = re.search(r'金额[：:\s]*([0-9,]+\.?\d{0,2})', text) if m: result['amount'] = float(m.group(1).replace(',', '')) return result

这里有几个使用习惯要说清楚。正则里的[：:\s]*是为了吸收识别出的冒号全角/半角不一致，以及可能多出来的空格。金额关键词不能写死为合计金额，因为扫描票据上印的可能是“金额合计（小写）”，要自己在测试集上看实际 OCR 输出哪种变体，再修改正则。日期里的年和-都要覆盖，因为老年票据用中文年月日，新票据用横线。

后处理还有一个容易被遗忘的步骤：全角转半角。如果下游对接是 SAP 或者 ERP，全角数字会被当成异常字符。干净的做法是统一转半角：

def full_to_half(s): result = [] for ch in s: code = ord(ch) if code == 0x3000: code = 32 elif 0xFF01 <= code <= 0xFF5E: code -= 0xFEE0 result.append(chr(code)) return ''.join(result)

这段不是识别逻辑，但能避免字符编码层面的奇怪错误。票据里的“ＦＰ”全角字母在 OCR 结果里经常出现，转成“FP”后数据库字段才认。

5. 中文扫描票据识别常见问题排查：五条血泪踩坑记录

5.1 识别结果全是乱码或方块

现象：tesseract 跑完，输出里没有中文，全是????、方框或不认识的符号。

原因九成是中文语言包没装或者路径不对。pytesseract 默认去找系统 tessdata 目录，Windows 下如果语言包没被放到 tessdata 里，chi_sim根本加载不了。顺便检查一下图片本身，如果票据扫描时已经是二值化的低质量阈值图，背景和文字混在一起，也会输出一堆噪声。

解决分两步：先验证语言包环境，再验证图像质量。在 Python 里打印pytesseract.get_languages()，没有chi_sim就去补装；第二步把预处理后的图像保存成图片直接肉眼看，如果人眼都认不出内容，就别怪 tesseract。还有一个小概率原因：传给 pytesseract 的图像是彩色 BGR 数组，而灰度转换差错导致两点化不正常。统一在预处理里用cv2.cvtColor转灰度，不要依赖 tesseract 内置转换。

5.2 中文能认但数字字母老错

现象：整段文字识别得七七八八，但发票号码和金额数字频繁出错，把 8 认成 3，把 0 认成 9。

原因：数字和字母在票据上往往是等宽打印体，笔画间距小，二值化后字符边缘粘连，tesseract 的分割不确定。另一个原因是 psm 模式把整页当成文本块，数字区域的前后文被表格线干扰，切到了错误的字符边界。

解决方式是“白名单 + 放大”。“纯数字字段”用字符白名单限定识别范围：

amount_text = pytesseract.image_to_string( amount_roi, lang="chi_sim", config="--psm 7 -c tessedit_char_whitelist=0123456789.," )

--psm 7表示单行文本，适合这种金额字段；-c tessedit_char_whitelist让 tesseract 只输出白名单内的字符。注意白名单对chi_sim语言包同样生效，中文不会出现在输出里。如果字符仍偏小，用cv2.resize将 ROI 放大 2~3 倍，插值用INTER_CUBIC，字符高度至少到 30 像素。千万别放大完不做二值化，直接传原图，tesseract 内部处理大彩色图反而更慢。

5.3 扫描件歪斜导致漏行

现象：识别输出的行顺序错乱，比如第一行文字跑到第三行末尾，有时整行漏掉。

原因：票据放置角度偏移，或者扫描软件开启自动裁边后把部分边缘文字切掉。tesseract 在分行时按文本框水平线积分，歪斜角度超过 3 度时，行与行之间会有粘连，导致错行。

解决：保留第二章的deskew函数，并且在一进 OCR 前先做倾斜校正。有一点要注意，minAreaRect对没有表格线的纯文本票据可能估算不准，因为字符之间没有成片的连通域。这种情况可以先做膨胀，把文字行连成块再算角度：

def robust_deskew_angle(binary): kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (20, 5)) dilated = cv2.dilate(binary, kernel, iterations=3) coords = cv2.findNonZero(cv2.bitwise_not(dilated)) angle = cv2.minAreaRect(coords)[-1] if angle < -45: angle = 90 + angle return angle

膨胀核的水平方向取 20、垂直方向取 5，能把一行行文字横向连接成一个长条矩形，这样最小外接矩形的角度才稳定。这是个很实用的技巧，我第一次在扫描票据上跑通就是靠它解决了 80% 的歪斜漏行问题。

5.4 tesseract报错 Failed loading language chi_sim

现象：运行时报错，明确提到Failed loading language 'chi_sim'，或Tesseract couldn't load any languages。

原因：语言包文件没安装，或者TESSDATA_PREFIX环境变量指向错误目录。Linux 下tesseract-ocr-chi-sim包安装后语言包在/usr/share/tesseract-ocr/4.00/tessdata这类路径；Windows 下安装器会装到 Tesseract 安装目录下的tessdata。但 Python 进程的环境变量可能没有继承这个路径。

解决：不要只靠默认路径，在代码里显式指定 tessdata 目录：

import pytesseract pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe" pytesseract.pytesseract.tessdata_dir = r"C:\Program Files\Tesseract-OCR\tessdata"

这样能绕过操作系统 PATH 和系统环境变量带来的“玄学”问题。注意tessdata_dir属性在 pytesseract 新版本里叫tessdata_dir，旧版本可能不支持，就改为在调用时传--tessdata-dir参数。改完重启 Python 进程再验证。

5.5 处理大图内存飙升、耗时过长

现象：一张扫描件 2000 万像素，预处理二值化没问题，但 tesseract 识别要十几秒甚至几十秒，或者内存直接涨到几个 G。

原因：扫描仪设置的分辨率太高，默认 600 DPI 对 OCR 来说过度。tesseract 的 LSTM 引擎需要在 CPU 上跑 CNN，图片像素越多，计算量按面积增长。而且 OpenCV 的adaptiveThreshold对几千万像素大图会创建多个中间矩阵，内存压力很大。

解决：统一在预处理前做一次降采样。对票据，长边压到 2000~3000 像素已经足够；分辨率不够时优先放大 ROI 而不是整页放大。代码很短：

def resize_long_edge(img, max_len=2400): h, w = img.shape[:2] scale = min(max_len / h, max_len / w) if scale >= 1.0: return img new_size = (int(w * scale), int(h * scale)) return cv2.resize(img, new_size, interpolation=cv2.INTER_AREA)

INTER_AREA在缩小图像时能保留更多结构信息，不会像INTER_LINEAR那样出现锯齿。这条经验适用所有扫描 OCR 场景：先缩图再二值化，耗时能从十几秒降到两秒以内。内存压力主要来自自适应二值化，如果缩到 2400px 还报内存，可以改为先全局阈值做粗过滤，再对 ROI 区域单独自适应二值化。

6. 进阶用法：批处理识别与人工校对闭环

6.1 批量遍历目录并记录置信度

单张票据跑通后，最终要面对整批文件。我习惯用pytesseract.image_to_data拿到每个字符的置信度，并把平均置信度和原始文本一起落盘。这样哪个文件识别得不好，一眼就能挑出来：

import os import csv import time import pytesseract from PIL import Image import cv2 def batch_ocr_folder(folder, out_csv): with open(out_csv, "w", encoding="utf-8", newline="") as f: writer = csv.writer(f) writer.writerow(["file", "text", "avg_conf", "time_sec"]) for name in sorted(os.listdir(folder)): if not name.lower().endswith((".jpg", ".png", ".jpeg")): continue path = os.path.join(folder, name) img = cv2.imread(path) if img is None: continue # 降采样再预处理，避免大图卡死 img = cv2.resize(img, (2400, int(2400 * img.shape[0] / img.shape[1]))) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = cv2.GaussianBlur(gray, (3, 3), 0) thresh = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 10 ) t0 = time.time() data = pytesseract.image_to_data( thresh, lang="chi_sim", config="--psm 6 --oem 1", output_type=pytesseract.Output.DICT ) confs = [int(c) for c in data["conf"] if c != "-1"] text = "".join([t for t in data["text"] if t.strip()]) avg_conf = sum(confs) / len(confs) if confs else 0 writer.writerow([name, text, round(avg_conf, 1), round(time.time() - t0, 2)])

这段代码把预处理和识别串起来了，同时拿到每个词的置信度。image_to_data返回的 dict 里，conf和text按行/词对齐，过滤掉-1的无效值再算平均。CSV 里avg_conf低于 60 的文件就是重点关注对象。批量跑之前，先拿 10 张“好图”测一遍，确认平均置信度能在 75 以上，再大规模执行。

6.2 用可配置参数文件管住识别变量

票据识别最大的维护成本不是代码，而是不同票据类型对应的参数。我最终把所有可调项都放进一个 YAML 文件，避免改参数要翻代码：

bill_type: restaurant_invoice lang: chi_sim psm: 6 oem: 1 preprocess: blockSize: 31 C: 10 max_long_edge: 2400 fields: invoice_no: roi: [120, 80, 400, 120] # x, y, w, h whitelist: "0123456789-" amount: roi: [300, 600, 500, 650] whitelist: "0123456789."

代码里不再写死参数，而是启动时加载配置：

import yaml with open("config/ocr.yaml", encoding="utf-8") as fp: cfg = yaml.safe_load(fp) config_str = ( f"--psm {cfg['psm']} --oem {cfg['oem']}" f" -c tessedit_char_whitelist={cfg['fields']['amount']['whitelist']}" )

这有点像给识别流程留了一颗“后悔药”：新来一版票据，先复制配置改成新类型，跑测试集对比正确率，确定可行后再整体切换，不会动到生产代码。字段级校准也能用配置做，比如发票号码识别差一位，就去核对 ROI 坐标是不是偏了。这个习惯帮我省了很多次“今天能跑、明天不能跑”的尴尬。

最后说一个我自己的教训：批量识别结果直接入库前，永远先抽样人工复核，别迷信置信度。置信度是 tesseract 内部概率映射出来的，对某个特定字体可能系统性偏高。我会把低置信度和高置信度的结果各抽 10 条打印出来对一眼，确认没有隐性错字后才跑全量。这套 Python+OpenCV+tesseract 的方案说到底没有魔法，它把脏活累活自动化了，但关键字段的最终校验，还得靠业务规则和人工把关。希望这篇能帮你少踩几个我踩过的坑。

本文还有配套的精品资源，点击获取