第三步：把每一块文字“切出来”

经过前两步的处理，目前我们已经拿到了很多文本框，但此时模型还没真正“读字”。接下来要做的事情就是裁剪出框里的内容。

这一步在流程里对应的是：轮廓裁剪（ContourCrop）

不过这里有一个很关键、但很多人容易忽略的细节：不是简单裁剪，而是“矫正之后再裁

现实中的文本，很少是规规矩矩水平摆放的，比如：

• 拍照角度倾斜

• 文本本身是斜的

• 扫描时有透视变形

所以在裁剪之前，通常会做一步：

透视矫正（rectify）

简单理解就是：

• 把一个“歪的四边形”

• 拉成一个“规整的矩形”

这样做的好处是：

后面的识别模型看到的是“摆正的文字”，识别准确率会高很多

处理后，图片被切分、输出为很多小的、已经摆正的文本图片。

---

第四步：模型开始“逐块读字”

有了这些小图之后，才真正进入 OCR 的第二个核心任务：

文字识别（Recognition）

这一部分的处理逻辑，其实和前面的检测有点类似，也是：

• 先做预处理

• 再送进模型

---

1. 图片统一尺寸

不同文本块的尺寸差异会很大，比如：

• “你好”很短

• 一整行句子很长

但模型一般要求输入尺寸相对固定，所以会做一个处理：把图片高度统一（比如48），宽度按比例缩放。这样可以做到：

• 保持文字形状不变

• 同时适配模型输入

---

2. 图像转张量

和前面一样，会把图片转换成模型能处理的数据格式：

• HWC → CHW

• 数据类型转成 float32

并且补上 batch 维度：

[C, H, W] → [1, C, H, W]

---

3. 识别模型输出的，其实不是“文字”

这一点很多人第一次接触会觉得有点反直觉：

模型不会直接输出“你好世界”

它输出的是一串“字符概率分布”。可以理解为：

每个位置，最可能是哪个字？”

---

第五步：把“概率序列”变成真正的文字

接下来，将这串“概率”翻译成“人能读的文字”。

1. 先选出每一步“最可能的字符”

流程里会做一个操作：取最大概率（ArgMax）。也就是，每个位置选一个最可能的字符索引，得到一串类似：

[你, 你, -, 好, -, 世, 世, 界]

的字符索引。（这里的 - 可以理解为“空白符”，字符索引为整数值，这里为了举例方便，转换为了具体字符。）

---

2. CTC解码：去重 + 去空

接下来会做一个经典操作：CTC解码。它主要干两件事：

• 合并重复字符

• 去掉空白符

所以刚才那串会变成：

[你, 好, 世, 界]

---

3. 字典映射：从“编号”变成“真正的字”

模型内部处理的其实是“字符索引”，比如：

• 0 → blank

• 1 → “你”

• 2 → “好” …

所以最后还需要一步：根据字典，把索引映射成文字。这一步之后，才会真正得到文本串：

“你好世界”

---

写在最后

本文用一条可视化流程，把典型OCR的内部工作方式做了一次尽量直观的拆解。

在实际运行这套流程做文字识别时，可以明显感觉到： 它与成熟的OCR工具相比，效果上仍然存在差距。

这也意味着，如果希望达到工业级的识别效果，仅仅搭建主流程还不够，还有很多细节需要进一步打磨，例如：

• 不同场景下的适配（票据、表格、自然场景等）

• 多语言与字符集扩展

• 倾斜、模糊、低质量图像的鲁棒性

• 版面分析（段落、表格结构）

• 性能与吞吐优化（批处理、并发）

• ……

这些问题往往不会直接体现在主流程中，但却决定了一套OCR系统在真实场景中的表现。

如果你对这些细节感兴趣，不妨沿着这条流程继续往下拆——你会发现：

OCR真正复杂、也更有意思的部分，往往就藏在这些“没有被展开”的地方。