影响 OCR 识别准确率的主要因素有哪些？

1. 图像质量因素

• 分辨率不足：低于 300 DPI 的图像字符边缘模糊，特征提取困难
• 光照不均：局部过曝或阴影导致二值化失效
• 倾斜与畸变：透视变形使字符行方向偏离预期
• 噪声与伪影：扫描噪点、JPEG 压缩块效应干扰字符分割

2. 文档特征因素

• 字体多样性：装饰性字体比标准衬线体和无衬线体更难识别
• 字符尺寸：小字号文字像素信息有限，特征不明显
• 版面复杂度：多栏排版、嵌套表格、图文混排增加布局分析难度
• 手写体变异：连笔、省略、个性化写法导致字符边界模糊

3. 语言与字符集因素

• 字符集大小：中文（GBK 编码含 21003 个汉字）远比英文（26 个字母）复杂
• 形近字：中文"己/已/巳"、英文"O/0"等形近字符容易混淆
• 多语言混排：同一页面混合多种语言文字增加语言检测和模型切换难度

4. 模型与系统因素

• 训练数据覆盖度：模型对训练集中未出现的字体和场景泛化能力有限
• 后处理策略：语言模型纠错和领域词典约束能有效降低错误率
• 系统参数配置：检测阈值、识别置信度过滤等参数的调优直接影响最终输出