一、先搞懂：什么是 OCR？
OCR（Optical Character Recognition，光学字符识别），简单说就是从图片 / 扫描件里把文字 "读" 出来的技术。
- 输入：图片、PDF 扫描件、截图、手写稿
- 输出：可编辑的纯文本（甚至可以带坐标、格式信息）
1. 为什么我们做项目时，需要 OCR + 大模型融合？
很多企业场景里，用户的文档是扫描件 / 图片格式（比如合同、发票、老档案），直接丢给大模型是没法处理的，因为模型读不懂图片里的文字。 所以需要两步走：
- OCR：先把图片里的文字提取出来，变成纯文本
- 大模型：再对提取出来的文本进行问答、摘要、分析
这就是工业界最常用的「OCR + 大模型」融合方案，也是你后续多模态文档问答项目的核心基础。
二、OCR + 大模型融合的完整流程
- 文档输入：用户上传图片 / 扫描件 PDF
- OCR 解析 ：
- 调用 OCR 工具，提取图片中的文字、坐标、格式信息
- 输出结构化文本（比如按段落 / 表格 / 标题分块）
- 文本预处理：清洗 OCR 识别错误（比如错别字、乱码、格式混乱）
- 输入大模型：把清洗后的文本 + 用户问题，拼接成 prompt，交给大模型处理
- 输出结果：大模型根据文本生成回答，比如摘要、问答、表格提取
三、常用的 OCR 工具（按项目场景推荐）
表格
| 工具 | 特点 | 适用场景 |
|---|---|---|
| PaddleOCR（百度开源） | 中文识别效果好，支持表格 / 手写体，可本地部署 | 项目实战首选，免费开源 |
| Tesseract | 老牌开源 OCR，多语言支持好，中文效果一般 | 英文文档识别 |
| 阿里云 OCR / 腾讯云 OCR | 识别准确率高，支持 PDF / 发票 / 身份证等结构化识别 | 生产环境付费场景 |
| EasyOCR | 轻量级，支持多语言，部署简单 | 快速原型验证 |
四、核心问题：OCR 识别不准怎么办？
这是项目中最常见的坑，给你 3 个工业界常用的优化方案：
- 图像预处理
- 调整图片亮度 / 对比度、去噪、二值化，让文字更清晰
- 旋转校正、裁剪，避免倾斜 / 边框干扰
- 后处理校正
- 用大模型对 OCR 结果进行纠错：比如 prompt 写 "以下是 OCR 识别的文本，请帮我修正错别字和乱码，保留原文格式"
- 结合字典 / 正则表达式，修正特定场景的错误（比如身份证号、日期格式）
- 多模型融合
- 用两个不同的 OCR 工具识别同一张图片，取交集结果，降低错误率
去噪、二值化（OCR 图像预处理核心概念）
-
去噪 图片拍摄、扫描后常会出现斑点、麻点、杂线、模糊色块 这类无关干扰像素，这些就是噪声。 去噪就是通过算法消除这些多余干扰，只保留文字和背景，避免噪声让 OCR 认错字符，提升识别准确率。
-
二值化 把整张图片的像素只分成两种颜色：纯黑、纯白。
- 规则：设定一个亮度阈值，高于阈值转为白色（背景），低于阈值转为黑色（文字）；
- 作用：弱化色彩、阴影、渐变带来的干扰，让文字轮廓边界极度清晰，是 OCR 预处理里性价比最高的操作。
简单总结：去噪清杂质，二值化分黑白，两者都是为了让机器更容易 "看清" 文字。