如何用 OCR 从图片中提取文字

把页面拍好

识别是逐行进行的，所以任何让文字行形状变形的因素——透视、弯曲、横穿页面的阴影——都会直接损失准确率。相机需要的是一个平整、光照均匀、正对镜头的矩形。

书籍是常见的困难场景，因为靠近书脊处页面会弯。把页面压平，或者左右两半分别拍摄，可以解决其中大部分问题。

• 让相机与页面平行，不要斜着拍
• 使用均匀的散射光；避免硬阴影横穿文字
• 让文字区域充满画面，而不是把整张桌子拍进去
• 把弯曲的书页压平，或左右两半分开拍

OCR 擅长什么，不擅长什么

清晰、端正、光照良好的印刷体基本已经解决。书中的正文、幻灯片、票据、印刷讲义，通常识别得足够干净，可以直接编辑而不必重打。

有三类仍然不可靠，在依赖输出之前值得先知道：复杂表格即使每个单元格都读对，结构也会丢失；手写因人而异，差别极大；密集的多栏排版可能被按错误顺序读取。

• 可靠：印刷正文、幻灯片、标识牌、票据、印刷讲义
• 不可靠：手写、复杂表格、艺术字与装饰性字体
• 需仔细核对：数字、编号，以及任何你要据以行动的内容

端侧识别，以及它在隐私上的含义

当文字识别在设备本地运行时，图片不必离开设备就能变成文字。对敏感材料——一份合同、一封医疗信函、内部文档的某一页——这是实质差别，而不是技术细节。

MemoFlow 在受支持的采集场景中于设备端进行文字识别。无论你用哪个工具，在拍摄涉密内容之前，值得先弄清楚该功能落在这条线的哪一侧。

按正确顺序做整理

识别出的文字是一整块，而最快的整理方式不是从头读到尾。先修结构，再去扫查那些集中出现在可预测位置的错误。

数字值得单独对待。读错的数字在正文中是隐形的——它看起来和正确的一模一样——所以任何你打算使用的数值，都应对照原图核对。

• 先恢复段落分隔与小标题
• 再对照照片核对数字、编号与专有名词
• 删掉杂质：页码、页眉，以及被当成字符读入的杂痕

让图片和文字待在一起

照片是这段文字的证据。两者放在同一条笔记里，可疑的数值一秒就能核对，引文在使用前也能被验证。

它同时保留了 OCR 无法捕捉的东西：图表、版式，以及你摘取的那段旁边手写的批注。

要点

• 多数 OCR 失败其实是拍摄失败——拍平、正对、光照均匀。
• 印刷正文可靠；手写和复杂表格不可靠。
• 端侧识别意味着敏感页面不必离开设备。
• 先修结构，再对照原图核对数字与名称。