为什么书页照片OCR识别总是失败（几度的倾斜就能毁掉准确率）

如果你曾经试过把书页照片转成文字，结果得到一堆乱码，你很可能怪错了原因。人很容易把锅甩给“纸张泛黄”或者“光线不好”——但实测下来，这两者对结果几乎没什么影响。真正的元凶几乎总是一个光看照片根本发现不了的东西：一个微小的拍摄倾斜角度。

实测：同一页文字，四种条件

为了搞清楚真实拍照场景下到底是什么在拖垮OCR（光学字符识别）的准确率，我们用同一段文字，在四种条件下跑了开源OCR引擎Tesseract：干净平整的扫描件、泛黄褪色的页面、倾斜约12度拍摄的照片、以及倾斜加反光叠加的照片。

泛黄的页面和崭新的页面识别得分完全一样——满分。而一旦引入倾斜，准确率立刻掉了三分之一，得到的正是任何试过“教材扫描转Word”类工具的人都见过的那种结果：把“brown”识别成“brow,”，把“Chapter.“识别成”Chapte,.“，把”hidden“识别成”hidde,,“。

OCR引擎读取文字的方式，是逐行扫描图像像素，寻找连续的水平墨迹带——这是它区分上下两行文字的机制。在完全水平的扫描件上，每一行文字都整整齐齐地待在一条水平墨迹带里，引擎能干净利落地把第一行、第二行、第三行分开。

哪怕只把页面倾斜10度，原本干净的水平墨迹带就会变成跨越几十行像素的对角线状涂抹。引擎的分行逻辑就会开始把本该是两行的字符混在一起，或者把一个字符拆成它以为是两行的两块。结果不是“准确率稍微下降一点”——而是彻底不同的输出，因为引擎赖以阅读的基本单位（一整行）已经不再对应图像里实际的内容了。

这也是为什么一张你自己看起来完全没问题的照片，OCR出来的结果却可能是天书：人的视觉系统会毫不费力地自动补偿10度的倾斜，你甚至根本不会觉得它是歪的。但简单粗暴的OCR处理流程没有这种补偿机制，它读到的就是原原本本给它的那些像素。

实际能得出的结论不是“拍照时手要端得更稳”——手持拍摄摊开的书本时出现一点倾斜几乎无法避免，毕竟你没法像扫描仪那样把书页压平。真正的解决办法是自动化的：在进行文字识别之前先检测倾斜角度并修正，而不是识别完了再说。

一种不需要任何重型机器学习模型、可靠检测角度的方法叫投影法：把图片依次旋转到一系列候选角度，对每个角度测量逐行墨迹分布有多“陡峭”。角度对的时候，文字行会排列成清晰的墨迹带（行与行之间波动很大）；角度不对的时候，墨迹会在各行之间涂抹开（波动很小）。波动最大的那个角度，就是需要的纠偏角度。

先做这一步修正，再进行文字识别，我们测试的每一个倾斜案例的识别准确率都回到了100%——同一页文字，同一个OCR引擎，唯一的区别就是先把它摆正了。

不用太担心纸张状况。 泛黄、轻微褪色、纸张老化导致的对比度下降，单独来看对准确率的影响都很小。一本旧平装书数字化的效果和一本新书差不多。
要担心的是角度。 哪怕是肉眼根本看不出来的倾斜，也可能是“能用的文字”和“一堆乱码”之间的全部差别。
闪光灯反光的影响比倾斜小，但也确实会拖累结果。 光面纸张上的一块高光会把它盖住的那部分文字彻底抹掉——角度修正解决不了一个原本就没有可读墨迹的区域。
一个能自动修正倾斜的工具才能真正解决问题。 我们的书页照片转文字工具在浏览器里就是先做这个检测和修正步骤、再进行识别——不上传、不经过服务器，而且专门针对倾斜这个问题设计，而不是假设你输入的是一张平整的扫描件。

如果你以前试过给书本照片做OCR、因为结果读不懂而放弃了，问题多半不出在这本书本身——几度的拍摄角度几乎可以肯定就是元凶。