很多人每天都在用 OCR，比如截图翻译、文档扫描、发票识别，但如果你问一句：

OCR 到底是怎么把图片里的文字“读取出来”的？

大多数人的印象可能只有一句话：“就是用AI识别一下。”

但如果你真的把这个过程拆解开来看，会发现它远没有那么“黑盒”。一张图片变成一段文字，中间其实经历了很多步骤，每一步都各司其职。

这篇文章，我不打算从模型原理讲起，而是换一种更直观的方式——用一套可视化流程，把OCR的每一步都“摊开”给你看。

你可以把它理解成一条流水线：图片从左边进来，文字从右边出来，而中间发生的每一步，我们都能看见。如下图：

---

OCR在做的，其实是两件事

在拆解具体流程之前，可以先有个整体认知：OCR并不是“一步到位”识别文字，而是分成了两件完全不同的事情：

1. 先找到哪里有文字（检测）

2. 再判断这些文字是什么（识别）

你可以把它想象成：

先在一张图里“圈出文字的位置”，再逐块去“读内容”。

这也是为什么，大多数OCR系统其实不是一个模型，而是两个模型配合完成。接下来，我们先看第一步：它是怎么“找到文字”的。

---

第一步：模型先给你一张“哪里像文字”的图

当一张图片进入OCR流程后，并不会直接输出“文字框”。模型做的第一件事，其实有点“间接”——它会生成一张概率图（也可以理解为热力图）。这张图的含义是：

• 越亮的地方 → 越可能是文字

• 越暗的地方 → 越可能是背景

如果你把这张图展示出来，看起来会有点像这样：

一片灰黑背景上，文字区域是亮的“块状区域”

这一步其实对应的是常见的文本检测模型（比如DBNet这一类）。它并不是直接画框，而是先告诉你：

“这里，大概率是文字。”

如流程所示，图片首先被转换为张量的形式。然后需要对张量进行必要的布局调整和维度扩展。这些必要的前置处理工作主要取决于文本检测模型可接受的张量式。比如：模型接受NCHW布局的图像张量，如果输入的数据为HWC布局张量，则需要对张量进行必要的布局调整和维度扩展。

第二步：把“概率图”变成真正的文字区域

有了这张“哪里像文字”的图，还不够。因为它只是一个连续的概率分布，我们还需要把它变成明确的区域。这个过程在流程里被拆成了几步：

---

1. 阈值处理：从“模糊”变成“黑白分明”

首先，会对概率图做一个简单但关键的操作：设一个阈值（比如 0.1）

• 高于阈值 → 当成“文字”

• 低于阈值 → 当成“背景”

这一步之后，整张图就从“灰度图”变成了黑白图。可以理解为：

把“可能是文字”的区域，直接“抠出来”。

---

2. 轮廓检测：把区域变成一个个“块”

接下来，会在这张黑白图上做一件很经典的事情：找轮廓（Contours）

简单说就是：

• 把连在一起的白色区域，识别成一个个独立的“块”

每一个块，都可以理解为：

一个“可能包含文字的区域”

---

3. 打分 + 过滤：去掉不靠谱的区域

不是所有检测出来的区域都靠谱，比如：

• 太小的噪点

• 形状奇怪的区域

• 置信度很低的部分

所以流程里会做几件事：

• 根据原始概率图，对每个区域打分

• 过滤掉低于阈值的区域

• 限制最小尺寸，避免噪声

这一步的目的很明确：

只保留“看起来真的像文字”的区域

---

4. 轮廓简化 + 扩展：让框更“像文本框”

检测出来的轮廓，一开始可能是比较不规则的形状。所以通常会再做两步优化：

• 简化轮廓 → 转成规则的四边形（更像文本框）

• 适当扩展（unclip） → 避免框太紧，把文字裁掉一部分

处理之后，每个区域基本就变成了：

一个比较规整、刚好包住文字的矩形框

（注：以上的步骤3，4可以根据实际需要调整前后关系）