OCR文字识别中的二值化与版面分析

先按拍摄条件选择阈值，而不是直接套参数

OCR 预处理最容易出错的地方，是把不同光照、纸张和字体混用同一套二值化参数。可执行的顺序是：先灰度化，再根据背景是否均匀选择全局阈值、Otsu 大津法或自适应阈值，之后才做去噪、倾斜校正和版面分析。

灰度化就是把 RGB 彩色图压缩成一个亮度通道，常用公式为 Y=0.299R+0.587G+0.114B。绿色通道权重最高，因为人眼对绿色亮度变化更敏感。浅黄色纸张、蓝色印章和阴影可能与黑字拥有相近的某个颜色通道，因此直接按 R、G、B 中的单一通道阈值处理，容易误删文字或保留背景。

可以按以下条件选择方法：

• 全局阈值：适合平板扫描、背景均匀的黑白文档。整页使用同一个阈值，速度快，但无法处理明显的局部阴影。
• Otsu 大津法：根据灰度直方图最大化前景与背景的类间方差自动选阈值。它适合黑字白底两类分布较清楚的图像，不适合背景渐变或彩色内容复杂的页面。
• 自适应阈值：按局部窗口计算阈值，适合手机拍摄、纸张泛黄和局部光照不均。窗口太小会把纸张纹理当成字，太大则可能忽略局部阴影。

自适应阈值可从 15×15、31×31、51×51 三组窗口试起，偏移量 C 可从 2、5、10 比较。窗口应明显大于笔画宽度，却不必大到覆盖整页；最终以细笔画是否保留、空白区域是否干净为判断标准，而不是固定使用某个数字。

用小核去噪，避免把汉字笔画一起抹掉

二值图只保留两种像素状态，常见约定是 0 表示黑色前景、255 表示白色背景。OpenCV 等工具的函数可能要求相反的前景极性，处理前应确认接口定义，否则开运算和连通域统计会作用在背景上。

形态学操作利用结构元素修整像素形状。开运算先腐蚀再膨胀，适合清除孤立小点；闭运算先膨胀再腐蚀，适合连接断裂笔画。它们都会改变字符轮廓，所以不能把核尺寸越大理解为效果越好。

正文扫描图宜从 2×2 或 3×3 矩形核开始。每改变一次核尺寸，都应检查逗号、句号、汉字内部空隙和细横画；若相邻字符开始粘连，或“口”“日”等结构被填满，应立即回退参数。去噪后仍有大片黑边、装订线或阴影，应优先做边缘裁剪和背景校正，而不是继续扩大形态学核。

倾斜校正也应早于版面分析。页面倾斜 2°～3° 时，水平投影的行峰可能变宽；手机照片中的透视变形则不能只靠旋转解决，需要先根据页面四角做透视校正。没有可靠角点时，裁掉黑边并保留原图，比强行拉伸页面更安全。

1. 复制原图，保留分辨率和拍摄方向。
2. 裁掉黑色边框、装订线和明显空白边缘。
3. 生成全局阈值、Otsu 和自适应阈值三份图像。
4. 对每份图像先试 2×2 或 3×3 核，并放大检查细笔画。
5. 完成旋转或透视校正后，再进入版面分区。

先分栏和表格，再用投影切文字行

水平投影统计每一行的黑色像素数量。文字行通常形成连续高值区，行间空白形成低值区；但表格横线、行距过小和字符粘连会让多个峰连成一片。投影适合切行，不适合单独决定复杂页面的阅读顺序。

连通域分析会把相互连接的前景像素归为一个区域，并返回外接矩形。一个连通域不一定等于一个字符：汉字可能因笔画相连而成块，标点可能独立存在，断裂笔画也可能被拆成多个区域。因此，连通域更适合提供字符高度、行高和间距估计。

版面分析可按下面的顺序执行：

1. 检测页面方向，估计倾斜角并校正。
2. 按大块空白、投影低谷或检测到的竖直分隔线切分栏区域。
3. 在每个区域内统计水平投影，合并垂直间隔较小的行峰。
4. 用连通域外接矩形修正行边界，保留每个区域的原始坐标。
5. 按页面阅读规则排序，而不是简单按全页横坐标排序。

• 单栏正文：先用水平投影切行；行距不稳定时，结合连通域的垂直中心。
• 双栏论文：先分左、右栏，再分别从上到下识别，避免左右栏末行串接。
• 表格：先检测横线和竖线，识别单元格后再处理单元格内文字。
• 手机照片：先做透视与阴影校正，再选择自适应阈值；否则投影峰可能反映的是阴影边界。

用 CER 对比参数，按错误类型回退

OpenCV 4.x 可用于灰度化、阈值、形态学和连通域分析，Tesseract OCR 5.x 可用于验证识别结果。不要只看整页是否“黑白分明”，应保存每个版本的参数、二值图和 OCR 文本，定位错误究竟来自预处理、版面排序还是识别模型。

1. 印刷体扫描先统一到约 300 dpi；不同引擎的最佳输入尺寸可能不同，这个数值应作为起点。
2. 分别生成全局阈值、Otsu 和自适应阈值版本。
3. 对每个版本测试 2×2、3×3 核，放大检查标题、正文和标点。
4. 完成倾斜校正，再分别处理单栏、双栏和表格区域。
5. 每类区域至少抽查一小段，并记录漏字、粘字、噪声和行错位。

字符错误率 CER 计算插入、删除和替换造成的字符差异，适合中文文本；词错误率 WER 依赖分词，中文分词方案不同，数值也会改变。若没有标注工具，可先人工建立一段正确文本作为基准，再比较不同预处理版本的错误数量；有条件时，再用 CER 做统一评估。

• 漏掉细笔画：减小腐蚀或形态学核，降低阈值处理的侵蚀程度，并检查自适应窗口是否过小。
• 字符粘连：减小闭运算强度，检查是否把表格线或阴影保留成前景。
• 背景纹理过多：增大自适应窗口，或先做背景估计；同时确认浅色文字没有消失。
• 行顺序错误：重新分栏和表格区域，不要只调整投影峰的合并距离。

实际判断可归纳为一条规则：背景均匀用全局阈值或 Otsu，局部阴影明显用自适应阈值；二值化后先用小核，发现细笔画消失就回退；多栏和表格页面先分区，再切行。最佳参数取决于纸张底色、光照、字体大小、输入分辨率和 OCR 引擎，不能把某个阈值或窗口尺寸当成通用答案。