跳到主要内容

OCR 文字识别【选修】

本节定位

OCR 很容易被说成一句话：

  • 把图片里的字识别出来

但真实项目里，问题会更细：

  • 字在哪里
  • 顺序是什么
  • 多栏版面怎么读
  • 倾斜和模糊怎么办

所以 OCR 更像一条流水线，而不是单个模型。

学习目标​

  • 理解 OCR 中“检测”和“识别”的区别
  • 理解文档版面为什么会进一步增加复杂度
  • 通过可运行示例建立 OCR 流水线直觉
  • 理解 OCR 在表单、票据、文档场景中的特殊难点

先建立一张地图​

OCR 这节最适合新人的理解顺序不是“先看识别结果”，而是先看清流水线：

所以这节真正想解决的是：

  • 为什么 OCR 不是单一模型
  • 为什么检测、识别、版面理解要拆开看

一、OCR 通常分哪几步？​

1. 文本检测​

先找出文字区域在哪里。

2. 文本识别​

再把每块文字区域转成字符序列。

3. 版面与结构理解​

在复杂文档场景里，还要回答：

  • 哪段先读
  • 哪段属于标题
  • 哪段属于表格或正文

1.4 一个更适合新人的总类比​

你可以把 OCR 想成一个三人小组在处理一张发票：

  1. 第一个人先拿笔把所有文字圈出来
  2. 第二个人把每一块圈出来的文字读出来
  3. 第三个人再决定这些文字谁是标题、谁是金额、谁是日期

这样理解后，OCR 就不会再像：

  • 一个神秘的大模型黑盒

而更像：

  • 一条有明确分工的流水线

二、先看一个最小 OCR 流水线示例​

image_blocks = [
    {"box": (0, 0, 50, 20), "pixels": "INV-001"},
    {"box": (0, 30, 80, 50), "pixels": "TOTAL 299"},
]


def detect_text_regions(image_blocks):
    return [block["box"] for block in image_blocks]


def recognize_text(image_blocks):
    return [{"box": block["box"], "text": block["pixels"]} for block in image_blocks]


regions = detect_text_regions(image_blocks)
texts = recognize_text(image_blocks)

print("regions:", regions)
print("texts:", texts)

2.1 这个例子最关键的地方是什么？​

它清楚分开了：

  • 找文字在哪里
  • 把文字读出来

这正是 OCR 最基础的两阶段结构。

2.2 为什么很多 OCR 错误不在“识别字本身”？​

因为如果检测阶段就把文字框切错：

  • 漏了一半
  • 顺序乱了

后面的识别再强也没法完全补救。

2.3 新人第一次学 OCR，最该先记什么？​

最值得先记住的是：

  1. 检测负责“字在哪”
  2. 识别负责“字是什么”
  3. 文档场景里还常常要回答“先读哪、属于哪一块”

三、OCR 为什么经常比想象中更难？​

3.1 文字不总是规则排版​

可能会遇到：

  • 倾斜
  • 透视变形
  • 模糊
  • 遮挡

3.2 文档不总是单栏单行​

例如：

  • 表格
  • 发票
  • 医疗单据

这时“识别文字”只是第一步，
真正难的是结构理解。

3.3 字符级别错误会影响下游业务​

像编号、金额、日期这种字段，
识错一位就可能直接影响业务。

3.4 再看一个最小“阅读顺序恢复”示例​

lines = [
    {"y": 80, "text": "TOTAL 299"},
    {"y": 20, "text": "INVOICE"},
    {"y": 50, "text": "INV-001"},
]


def restore_reading_order(lines):
    return [item["text"] for item in sorted(lines, key=lambda x: x["y"])]


print(restore_reading_order(lines))

这个例子很小，但它能帮新人先建立一个关键直觉：

  • OCR 做完识别，不代表任务结束
  • 文字顺序和结构恢复，常常同样重要

四、一个新人可直接照抄的项目推进顺序​

更稳的顺序通常是：

  1. 先做清晰单栏小样本
  2. 再看倾斜和模糊样本
  3. 再补版面顺序和结构理解
  4. 最后再进入票据、表格这类更复杂文档

这样会比一开始就做复杂票据系统更容易稳住。

4.1 如果你要把 OCR 做成项目，最值得先选哪类题目？​

更稳的起点通常是：

  • 清晰票据字段抽取
  • 简单单栏文档识别
  • 少量固定模板表单

这类题目的好处是：

  • 检测区域更清楚
  • 业务字段更容易评估
  • 失败样本更容易分析

4.2 如果把 OCR 做成项目，最值得先展示什么​

更像真实项目的展示顺序通常是：

  1. 原图
  2. 文本检测框
  3. 识别后的文本块
  4. 恢复后的字段或阅读顺序
  5. 失败样本分析

这样读者一眼就能看懂：

  • 是哪一步出了问题
  • 你的系统重点优化了哪一段流水线

五、最容易踩的坑​

5.1 只看识别准确率，不看检测质量​

OCR 是多阶段流水线，前一步错会传给后一步。

5.2 只做字符识别，不做结构恢复​

很多文档类项目真正要的是：

  • 字段
  • 表格结构
  • 阅读顺序

5.3 忽略图像预处理​

例如：

  • 二值化
  • 去噪
  • 倾斜校正

在很多场景里非常重要。

5.4 一个更像真实项目的最小错误分桶表​

errors = [
    {"type": "detection_miss", "count": 4},
    {"type": "wrong_character", "count": 7},
    {"type": "reading_order", "count": 3},
]

for item in errors:
    print(f"{item['type']}: {item['count']}")

这个表虽然简单，但很像真实 OCR 项目里会做的第一步：

  • 先分清错误主要来自检测、识别，还是结构恢复

不这样分，你就很容易：

  • 识别模型拼命换了一圈
  • 结果真正问题其实在检测或阅读顺序

六、如果把它做成作品集，最值得展示什么​

  • 原图
  • 检测框结果
  • 识别文本结果
  • 字段恢复结果
  • 一组典型失败样本

这样会比只展示“识别出来了哪些字”更像真实文档 AI 项目。

小结​

这节最重要的是建立一个流水线判断：

OCR 不是单一“识字模型”，而是一条包含文本检测、文本识别和版面理解的多阶段系统。

只要这条线清楚了，后面你做票据、表单、文档理解项目就不会只盯识别模型本身。

这节最该带走什么​

  • OCR 的核心是流水线，不是单点模型
  • 很多问题会在检测和结构层就已经决定上限
  • 文档类 OCR 项目特别值得单独分析版面和字段恢复

练习​

  1. 给示例再加一个新文字块，思考阅读顺序该怎么恢复。
  2. 为什么检测阶段的错误会直接拖垮 OCR 最终效果？
  3. 想一想：表格票据和普通街景文字识别，哪一层难点差别最大？
  4. 如果金额字段总识错一位，你会先查检测、识别还是后处理？为什么？