成像原理与预处理

本节目标

用可验证的方式理解分辨率、对比度、倾斜和噪声，并避免“一套滤镜处理所有文档”。

像素为何决定字符是否可辨

数字图像是像素网格。字符笔画若只占少量像素，压缩、失焦或缩放会让“8”和“3”的局部差异消失。DPI（dots per inch）描述采集密度，但已有图片中的 DPI 元数据不等于真实清晰度；把 72 DPI 标签改成 300 DPI 不会凭空增加细节。

常见问题与处理假设：

问题	可观察现象	候选处理	风险
倾斜	文本基线不水平	deskew 旋转校正	过度旋转造成插值模糊
透视	页面呈梯形	四点透视校正	边界估错会裁掉正文
不均匀照明	一侧灰、一侧白	局部阈值或背景估计	淡色笔画被删除
椒盐噪声	零散黑白点	中值滤波、连通域过滤	标点被当噪声删掉
墨迹粘连	字符笔画过粗	轻度腐蚀	细笔画断裂

二值化把像素分成前景和背景。全局阈值适合照明均匀的页面；局部阈值按小区域估计，适合阴影，却可能制造纹理噪声。Tesseract 官方质量指南明确把旋转、二值化、噪声、边框等列为影响因素，但这不是要求全部启用。

可回滚实验

每个预处理步骤都应记录 name + parameters + input_hash + output_hash。对同一验证集比较：

原图 -> OCR -> 基线指标
原图 -> 去倾斜 -> OCR -> 新指标
原图 -> 去倾斜 + 局部阈值 -> OCR -> 新指标

只在目标文档切片上稳定提升后才上线。肉眼“更干净”不等于 OCR 更准；某些引擎内部已经预处理，外部再次二值化可能损失信息。

排查顺序

1. 先把检测框画回原图，确认是“没找到”还是“认错了”。
2. 检查方向、裁剪、透明通道和颜色反转。
3. 用少量代表样本逐项消融，不一次改五个参数。
4. 分文档类型报告效果，例如手机拍照、扫描件、低清传真。

练习与自测

• 为“手机斜拍的票据”设计三组互斥对照实验。
• 解释为什么放大 4 倍可能使文件更大但信息不增加。
• 判断：是否应删除所有小连通域？答案是否定的，因为标点、上标和小字号可能同样很小。

下一步与参考

下一步学习 文字检测、识别与数据标注。参考 Tesseract 官方质量改进指南（5.x 文档主线）（获取日期：2026-07-22）。指南提到的具体阈值和模式需按所用版本实测。