档案管理系统开发手记（五）：纸质档案扫描图像纠偏实战——霍夫变换 vs 深度学习

一、纠偏为什么是档案数字化里"最不起眼但最致命"的一环

扫描仪出片时，纸张放歪 2°~3° 是常态。不纠偏的后果：

OCR 检测框整体倾斜，文本行切分错误，识别率断崖下跌（实测 2° 倾斜即可让单字识别率掉 5~8 个百分点）；
生成的 PDF 图像层歪着，阅读体验差，客户直接打回；
后续做版面分析、表格识别时，斜线把表格结构彻底搅乱。

很多团队的第一版实现是"目测 + 手动旋转"，10 万页以内还能忍，量一上来就是灾难。这篇讲我们怎么从手动走向自动，以及为什么最终采用分档策略 而不是单一算法。

二、候选方案一览

方案 A：霍夫直线检测 + 主角度统计（OpenCV）

思路：边缘检测后跑霍夫变换找直线，统计直线角度直方图，取峰值角度作为纠偏角。

python 复制代码

import cv2
import numpy as np

def hough_correct(img_gray):
    # 1. 边缘检测（Canny 对扫描件效果稳定）
    edges = cv2.Canny(img_gray, 50, 150, apertureSize=3)
    # 2. 霍夫直线检测
    lines = cv2.HoughLinesP(
        edges, 1, np.pi/180, threshold=150,
        minLineLength=img_gray.shape[1]//4,  # 只保留足够长的线（正文行、边框）
        maxLineGap=10
    )
    if lines is None:
        return img_gray, 0.0
    angles = []
    for line in lines:
        x1, y1, x2, y2 = line[0]
        angle = np.degrees(np.arctan2(y2 - y1, x2 - x1))
        # 只统计接近水平的线（正文文本行）
        if -30 < angle < 30:
            angles.append(angle)
    if not angles:
        return img_gray, 0.0
    # 3. 角度直方图取众数（而非均值，抗离群点）
    hist, bin_edges = np.histogram(angles, bins=60, range=(-15, 15))
    peak_bin = np.argmax(hist)
    angle = (bin_edges[peak_bin] + bin_edges[peak_bin+1]) / 2
    # 4. 旋转校正
    h, w = img_gray.shape
    M = cv2.getRotationMatrix2D((w/2, h/2), angle, 1.0)
    corrected = cv2.warpAffine(img_gray, M, (w, h),
                               flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE)
    return corrected, angle

优点：快（单页 <50ms）、无模型依赖、可解释。缺点：对纯文字长页、无表格线/无正文水平线的版面失效------比如一份只有标题的公文、一张照片扫描件，霍夫根本找不出长直线，只能返回 0°。

方案 B：深度学习角度回归

用一个轻量分类/回归模型直接预测倾斜角（分桶分类后插值）。

我们尝试的结构：

复制代码

输入：缩放到 256×256 的灰度图（保留纵横比，pad 补边）
→ 骨干网络 MobileNetV3-small
→ 全连接层输出 61 类（-30°~+30°，每 1° 一桶）
→ 训练时对正常样张做随机旋转 -30°~+30° 做数据增强
→ 推理时取 softmax 期望值作为连续角度

优点：对"无纹理版面"也有效，因为模型学的是"文字行方向"这个语义特征而非直线。缺点：训练数据要覆盖各种纸张类型、字迹、版式，否则新类型档案上可能给出错误角度且没有提示。

方案 C：投影法（Radon 变换 / 水平投影方差最大化）

思路：对图像做多个角度的水平投影，找"投影方差最大"的角度------因为文本行对齐时，行与行的投影会形成明显的峰谷。

优点：纯数学、无训练、对文字行有效。缺点：对图片/照片/图纸类档案（没有成排文字行）同样失效，且计算量比霍夫大。

三、实测对比（2000 页留底样张）

指标	霍夫变换	深度学习	投影法
正确纠偏率（偏差<0.5°）	88.7%	94.2%	87.3%
错误纠偏率（偏差>2°，属于"帮倒忙"）	3.2%	1.8%	4.5%
平均单页耗时	45ms	180ms（含GPU）	120ms
无直线版面的兜底	差（返回0°）	好	差

结论很清楚：深度学习的准确率和鲁棒性都更好，但霍夫在"速度 + 可解释 + 无部署负担"上仍有价值。关键洞察是------两类失败模式不重叠：霍夫在"有长直线的版面"上非常准，深度学习在"无直线版面"上才能体现价值。

四、最终方案：分档策略

生产环境我们不是二选一，而是按版面类型分流：

复制代码

扫描件
 ├─ 有表格线 / 有长边框（占比~70%）：霍夫变换（快、准、省GPU）
 ├─ 纯文字、无直线（占比~20%）：深度学习模型
 └─ 无法判定（占比~10%）：投影法兜底 + 抽检人工复核

判定逻辑很简单：霍夫找出的长直线数量 ≥ 3 条 → 归入第一档；否则第二档；深度学习给出角度但置信度低（softmax 熵高）→ 第三档。

这样设计的理由：

GPU 资源是瓶颈。30 万页项目如果全量跑深度学习，GPU 队列要排很久；分档后只有 20% 走模型，整体吞吐提升 3 倍；
可解释性。客户问"为什么这张图歪了"，我们能给出"此页无直线、深度学习置信度低、需人工复核"的明确原因，而不是一句"模型判断的"；
留痕。每页记录纠偏方式和置信度，验收时能调出任意一页的纠偏过程数据。

五、踩坑记录

坑 1：warpAffine 默认填充黑色。 旋转后四角会出现黑边，这四角黑边会被 OCR 误检为文本区域、会被质量检测判为"脏边"。必须用 borderMode=cv2.BORDER_REPLICATE（复制边缘像素）而不是 BORDER_CONSTANT 填黑。

坑 2：纠偏要在"去黑边"之前还是之后？ 我们的顺序是：去黑边 → 纠偏 → 去污点。如果先纠偏再去黑边，黑边会因为旋转变成梯形，增加去除难度。实测两种顺序差 20% 的清理耗时。

坑 3：霍夫 threshold 设低了全是噪声线。 扫描件上的纸张纹理（尤其是发黄老纸）会产生大量短小伪直线，把 threshold 从 100 提到 150、并加上 minLineLength 过滤后，误判角度基本消失。

坑 4：批量跑完后必须做"纠偏后抽查"。 我们流水线里有个环节是随机抽 1% 的页做二次角度校验（拿纠偏后的图再测一次角度，若仍有 >1° 偏差则标记复核）。这 1% 的抽查成本很低，但拦下了大量"霍夫在无直线版面上给出错误角度"的漏网之鱼。

六、小结

纠偏没有银弹：有直线用霍夫、无直线用深度学习、不确定就投影兜底 + 人工复核；
分档策略让 30 万页批处理既快又准；
别忘了后处理细节：填充模式、处理顺序、批后抽查------这些才是生产环境真正决定成败的地方。