图像文字提取 - OCR 技术详解与实现指南

OCR 技术概述 - 机器如何从图像中读取文字

OCR (Optical Character Recognition, 光学字符识别) 将图像中的文字转换为可编辑的文本数据。从扫描文档到自然场景中的标牌,OCR 技术已广泛应用于各种场景。

OCR 处理流程:

• 预处理: 二值化、去噪、倾斜校正、版面分析
• 文字检测: 定位图像中文字区域的位置
• 文字识别: 将检测到的文字区域转换为字符序列
• 后处理: 拼写检查、语言模型校正

OCR 的挑战:

• 复杂背景干扰 (自然场景)
• 多种字体和手写体
• 倾斜、透视变形
• 低分辨率和模糊
• 多语言混合文本

应用场景: 文档数字化、车牌识别、名片扫描、发票处理、翻译应用 (拍照翻译)、无障碍辅助 (为视障用户朗读文字)。

Tesseract OCR - 开源标准引擎

Tesseract 是 Google 维护的开源 OCR 引擎,支持 100+ 种语言,是最广泛使用的免费 OCR 解决方案。

版本演进:

• Tesseract 3.x: 传统方法 (特征提取 + 分类器)
• Tesseract 4.x: 加入 LSTM 神经网络,精度大幅提升
• Tesseract 5.x: 当前版本,改进的 LSTM 和训练工具

基本使用:

# 命令行
tesseract input.png output -l chi_sim+eng --psm 6

# Python (pytesseract)
import pytesseract
text = pytesseract.image_to_string(image, lang='chi_sim+eng')

PSM (Page Segmentation Mode):

• PSM 3: 全自动页面分割 (默认)
• PSM 6: 假设为单个文本块
• PSM 7: 单行文本
• PSM 8: 单个词
• PSM 13: 单行原始文本 (无 OSD)

局限性: 对自然场景文字效果差; 需要良好的预处理; 不支持实时处理; 对倾斜和透视敏感。

深度学习 OCR - CRNN 和 Transformer 模型

深度学习 OCR 方法在精度和鲁棒性上大幅超越传统方法,尤其在自然场景文字识别中。

文字检测模型:

• EAST: 高效准确的场景文字检测器。直接回归文字区域的旋转矩形
• DBNet: 可微分二值化,精确检测任意形状文字
• CRAFT: 字符级别检测,通过字符间亲和力连接为文本行

文字识别模型:

• CRNN: CNN 特征提取 + RNN 序列建模 + CTC 解码。经典架构
• ASTER: 加入 STN (空间变换网络) 校正不规则文字
• ABINet: 自主、双向、迭代的语言模型增强识别

端到端方法:

• PaddleOCR: 百度开源,检测+识别一体化。支持 80+ 语言,轻量模型适合移动端
• EasyOCR: Python 库,简单易用。reader = easyocr.Reader(['ch_sim','en']); result = reader.readtext(image)
• TrOCR (Microsoft): 纯 Transformer 架构,预训练在大规模数据上

预处理技术 - 大幅提升 OCR 精度

适当的预处理可以将 OCR 精度从 60% 提升到 95% 以上。预处理的目标是使文字更清晰、背景更干净。

关键预处理步骤:

• 灰度化: 彩色图像转灰度,减少干扰
• 二值化: Otsu 或自适应阈值将文字与背景分离
• 去噪: 中值滤波或形态学开运算去除噪点
• 倾斜校正: 检测文本行角度并旋转校正
• 缩放: 确保文字高度在 30-50 像素 (Tesseract 最佳范围)

Python 预处理示例:

import cv2
# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 自适应二值化
binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
# 去噪
denoised = cv2.medianBlur(binary, 3)

针对不同场景的预处理:

• 扫描文档: 二值化 + 去噪即可
• 手机拍照: 透视校正 + 光照均衡 + 二值化
• 自然场景: 深度学习方法通常不需要传统预处理

云端 OCR 服务对比与选择指南

云端 OCR 服务提供开箱即用的高精度识别,适合不想自建模型的场景。

主要服务:

• Google Cloud Vision API: 精度最高之一,支持 100+ 语言。文档 OCR 和手写识别出色
• AWS Textract: 专注文档处理,支持表格和表单提取。与 AWS 生态集成好
• Azure Computer Vision: Read API 支持多语言混合。手写识别能力强
• 百度 OCR: 中文识别精度领先。支持身份证、银行卡等特定场景

选择建议:

• 通用文档: Google Cloud Vision 或 Azure Read API
• 中文为主: 百度 OCR 或 PaddleOCR (自部署)
• 表格提取: AWS Textract
• 成本敏感: PaddleOCR 或 EasyOCR (自部署,无 API 费用)

成本对比: 云服务通常按请求计费 ($1-3 / 1000 页)。大量处理时自部署 PaddleOCR 更经济。

OCR 関連の技術書は Amazon でも見つかります

实现模式 - OCR 流水线设计与运营

构建生产级 OCR 流水线的架构设计和运营最佳实践。

流水线架构:

• 输入: 图像/PDF 上传到 S3
• 触发: S3 事件触发 Lambda
• 预处理: Lambda 进行图像增强
• OCR: 调用 Textract/Vision API 或自部署模型
• 后处理: 结构化提取、校验
• 输出: 结果存储到 DynamoDB/S3

精度提升策略:

• 多引擎投票: 同时使用多个 OCR 引擎,取多数一致的结果
• 领域词典: 使用领域特定词典进行后处理校正
• 置信度过滤: 低置信度字符标记为需要人工审核
• 反馈循环: 人工修正结果用于微调模型

监控指标:

• 字符准确率 (CER): 字符级别的错误率
• 词准确率 (WER): 词级别的错误率
• 处理延迟: 从上传到结果可用的时间
• 失败率: OCR 完全失败的比例