一、中文OCR的特殊挑战
相比拉丁字母语言，中文OCR识别的难度要高出一个数量级。英文OCR只需要识别约100个基础字符（26个字母、标点、数字），而中文OCR需要区分至少6763个常用字（GB2312字符集），若涵盖GB18030，字符数量更会膨胀到超过7万。这种天量的字符类别，直接决定了中文OCR对模型能力、训练数据和预处理环节的要求远高于英文OCR。
1. 简体字与繁体字的区分
简繁中文字形相差很大，却又存在大量"一简对多繁"的映射，例如简体"发"对应繁体"發"（出发）和"髮"（头发）。OCR引擎如果只训练了简体数据，遇到港澳台资料或老文件中的繁体字，识别错误率会显著上升。投标文件中，涉及到的资质证书、法律条文引用有时包含繁体字或异体字，这类场景必须使用支持中文繁体（Traditional Chinese）模型或中文混合模型。
2. 字体变化与印刷质量差异
宋体、黑体、楷体、仿宋、圆体等印刷字体的笔画粗细、结构比例差别明显，而手写体、艺术字更是五花八门。同一个"国"字，在微软雅黑下笔画圆润，在宋体下棱角分明，在楷体下则有明显的起笔收笔。训练不充分的OCR模型遇到非主流字体时识别率会大幅下降。
3. 复杂笔画与相似字形
中文有大量形近字，极易互相混淆：
- 己、已、巳：仅靠中间一竖的长短判断
- 末、未：第一横和第二横谁更长
- 戍、戌、戊、戎：四个字几乎只差一笔
- 刀、力：拐笔方向不同
- 贝、见：下部笔画形态不同
这些字在扫描件分辨率不足或有压缩伪影时极易混淆，是中文OCR错误率的主要来源之一。
4. 多字符共享笔画的密集排版
中文排版密度远高于英文，尤其是表格、章盖、批注等场景下，文字间距可能只有1-2像素。若扫描DPI过低，相邻字符的笔画会"粘连"，OCR会把两个字误识为一个字，或把一个字拆成两部分。
二、DPI与分辨率选择
扫描分辨率（DPI）是决定OCR准确率的第一变量，任何算法优化都无法弥补DPI不足带来的信息缺失。
| DPI设置 | 适用场景 | 识别准确率 | 文件大小 |
|---|---|---|---|
| 150 DPI | 不推荐，仅快速浏览 | 75%-85% | 小 |
| 200 DPI | 最低合规标准 | 90%-94% | 较小 |
| 300 DPI | 推荐标准，多数文档 | 97%-99% | 适中 |
| 400 DPI | 小字号、复杂表格 | 99%+ | 较大 |
| 600 DPI | 极小字号、手写体 | 99%+ | 大 |
关键建议：投标文件、归档文件应始终使用300 DPI扫描，这是兼顾准确率和文件大小的黄金平衡点。超过400 DPI 后，识别率提升非常有限，但文件体积会急剧增加。
三、图像预处理技术
优秀的预处理是OCR识别率的放大器。即使是同样的OCR引擎，对原始图像做好预处理的准确率可比未处理版本高出10-20个百分点。
1. 倾斜校正（Deskew）
扫描时文档歪斜是非常普遍的情况，哪怕倾斜只有1-2度，OCR识别率也会明显下降。常用算法：
- Hough变换：检测图像中的直线，通过多条文本行直线的平均角度校正整体倾斜
- 投影法：在不同角度下做水平投影，选择投影方差最大的角度作为倾斜角
- 最大熵法：寻找使图像熵最大的旋转角度
校正后，所有文本行应严格水平，字符底线对齐。
2. 降噪（Denoise）
扫描件常见噪声包括：
- 椒盐噪声：随机黑白点，使用中值滤波（Median Filter）最有效
- 高斯噪声：像素值的随机抖动，使用高斯滤波或双边滤波
- 摩尔纹：印刷品扫描时出现的网状条纹，需要频域滤波或专用算法
- 透印：背面文字透过来，可用多尺度背景估计剔除
3. 二值化（Binarize）
二值化是将灰度/彩色图像转换为纯黑白的过程，是大多数OCR引擎的前置步骤。常用方法：
- 全局阈值（Otsu）：适用于光照均匀、对比度好的文档
- 自适应阈值（Adaptive Threshold）：适用于光照不均的场景，按局部窗口计算阈值
- Sauvola算法：专为文本图像设计，对墨迹浓淡变化有很好的适应性
4. 对比度与亮度调整
对于印刷偏淡或扫描偏暗的文档，需要拉伸灰度范围（直方图均衡化）让文字与背景充分分离。
5. 表格线去除
对于含有密集表格的扫描件，水平与垂直的表格线会干扰字符分割，可以先用形态学开运算识别出长条状线段并剔除，再送入OCR。
四、语言设置与字典优化
现代OCR引擎（Tesseract、PaddleOCR、百度OCR、阿里云OCR等）都支持按语言/场景加载不同模型。
1. 正确选择语言包
- 纯简体中文文档：选择
chi_sim或 "中文简体" - 纯繁体文档：选择
chi_tra或 "中文繁体" - 中英混合文档：同时加载
chi_sim + eng - 涉及日韩字符：加载对应语种，避免把日文汉字误识为中文字
2. 领域字典增强
投标、法律、医疗等领域有大量专业词汇，通用OCR模型对这些词汇的先验概率较低，容易误识。可以加载领域字典进行语言模型约束。例如投标文件中，把"投标报价"、"履约保证金"、"技术参数响应表"等常用短语加入自定义字典后，识别率能显著提升。
3. 正则校验
对身份证号、统一社会信用代码、金额、日期等结构化字段，使用正则表达式校验。若识别结果不符合正则，可回退到高置信度备选项，或触发人工复核。
五、常见错误模式与修正
| 错误类型 | 典型示例 | 修正方法 |
|---|---|---|
| 数字与字母混淆 | 0↔O, 1↔l↔I, 5↔S, 2↔Z | 按字段类型做上下文判断 |
| 中英标点混淆 | ，↔, 。↔. （↔( | 统一字段内标点规范 |
| 形近汉字 | 己↔已, 未↔末, 赢↔蠃 | 结合语言模型概率 |
| 繁简混淆 | 發↔发, 體↔体 | 按文档类型选择模型 |
| 字符粘连 | "工程"→"干程" | 提高DPI、改善降噪 |
| 字符分裂 | "明"→"日月" | 二值化阈值优化 |
六、评估指标
评估OCR质量不能只看"感觉"，需要使用量化指标：
1. 字符级准确率（Character Accuracy）
识别正确字符数 ÷ 总字符数。这是最基础的指标，一般要求达到 98%以上才符合生产级要求。
2. 字段级准确率（Field Accuracy）
对于结构化数据，比如发票金额、合同编号，只有完全一字不差才算正确。字段级指标比字符级更严格，更能反映实际可用性。
3. 编辑距离（Edit Distance / Levenshtein）
把识别结果编辑成正确文本所需的最少插入、删除、替换次数。编辑距离越小越好。
4. 召回率与精确率
对于文档中的关键实体（公司名、金额、日期等），计算被识别到的比例（召回率）和识别结果中正确的比例（精确率），综合得到F1值。
注意：验证集一定要覆盖真实场景：不同扫描设备、不同纸质、不同字体、有盖章、有批注的样本都要有，不能只用干净的PDF导出样本做测试，否则评估结果会严重偏高。
七、智数云科技双层PDF转换工具的OCR优化
智数云科技双层PDF转换工具采用自研DocCore VisionOCR引擎，针对中文投标、工程、档案场景做了深度优化：
- 中文模型专项训练：使用上千万张中文扫描页面进行训练，覆盖各类字体
- 自动预处理：自动识别并做倾斜校正、降噪、二值化，无需用户手动配置
- 混合识别：自动识别文档中的中英混排，无需手工切换语言
- 领域字典：内置投标、法律、工程领域专业词汇字典
- 离线运行：OCR全流程本地化，文件不上传云端，保障商业机密安全
