OCR FAQ

• 扫描件通常是 300DPI
  • 转换为 72DPI 相当于缩小 4 倍
• 视觉模型有最小限制
  • Qwen2.5-VL
    • https://github.com/QwenLM/Qwen2.5-VL/blob/d2240f11656bfe404b9ba56db4e51cd09f522ff1/qwen-vl-utils/src/qwen_vl_utils/vision_process.py#L26-L36

纸张	72 DPI (Web)	90 DPI	150 DPI (平衡)	300 DPI (高清)
A4	595 x 842 px	744 x 1052 px	1240 x 1754 px	2480 x 3508 px
A3	842 x 1191 px	1052 x 1488 px	1754 x 2480 px	3508 x 4961 px

# 缩小 50
convert a.jpg -resize 50% a.50.jpg
# 缩小 4 倍
convert a.jpg -resize 25% a.25.jpg
# 缩小 4 倍，限制高度为 30
convert a.jpg -resize 25% -resize 'x30<' a.output.jpg

# -compress Group4
# -density 300 增加 meta 信息
# -lat 20x20+3% 可能需要调整来到最佳效果
# 轻微高斯模糊有时可以帮助后续的阈值处理，平滑噪点
convert 1.png \
  -colorspace Gray \
  -deskew 40% \
  -normalize \
  -gaussian-blur 0.5 \
  -adaptive-sharpen 0x1.5 \
  -density 300 \
  -lat 20x20-3% \
  -trim +repage \
  1.o.png

magick identify 1.png 1.o.png
magick identify -verbose 1.png 1.o.png
exiftool 1.png 1.o.png
echo 1.png 1.o.png | xargs -n 1 ffprobe -hide_banner

DPI

• 72 / 90 DPI：适合网页展示、移动端预览，或作为 LLM 视觉模型 (如 GPT-4o-mini, Qwen2.5-VL) 的预缩放目标，平衡 Token 消耗与识别效果。
• 150 DPI：复杂版面文字识别的底线，兼顾速度与准确度。
• 300 DPI：OCR 行业标准。大多数 OCR 引擎（Tesseract, PaddleOCR）在此分辨率下表现最稳定。
• 600 DPI：仅用于极小字体（如票据微缩文字）或高精度手写体分析，普通文档处理没必要，会显著拖慢处理速度。

OCR 预处理

• 二值化
  • threshold - 阈值
    • 需要掌握 threshold
    • otusu - 大津法
    • sauvola - 自适应阈值
    • adaptive threshold
  • negate - 反色
• 对比度增强与光照均衡
  • normalize
    • 拉伸全局对比度
  • clahe - Contrast Limited Adaptive Histogram Equalization
• 噪声去除
  • median
  • blur
• 锐化
  • sharpen
• 图像歪斜校正 - Deskew
  • rotate
  • OpenCV、Leptonica
• 形态学操作 (Morphological Operations)
  • dilation - 膨胀
  • erosion - 腐蚀
  • opening - 开运算
  • closing - 闭运算
• 分辨率
  • DPI
    • 300DPI
  • 72DPI
• trim
• 参考
  • https://github.com/lovell/sharp/issues/609
  • https://github.com/IgorMeloS/OCR