你拿到一张扫描件，发给在线 OCR 工具，出来一堆错字——「3」认成「8」、「O」认成「0」、表格完全乱掉。这不是工具不行，是图片本身没准备好。
OCR 引擎（Tesseract / PaddleOCR / 云服务）背后是字符识别模型，吃的是像素——你喂进去的是糊的、低分辨率的、带水印的、歪斜的图，它只能给你糊的输出。
实测一组数据（来自 OpenBenchmarking 和 ExpertBeacon 2025 年的对比测试）：
| 引擎 | 整体准确率 | 价格 |
|---|---|---|
| Google Cloud Vision | 96.7% | 按调用付费 |
| Amazon Textract | 95.8% | 按调用付费 |
| Microsoft Azure | 93.5% | 按调用付费 |
| Tesseract（开源） | ~90% | 免费，本地运行 |
注意那个 ~90% 是「理想输入」下的数字。如果你直接拿手机翻拍屏幕、拿 PDF 转的低分辨率图丢进去，准确率掉到 60-70% 是常态。
本文讲清楚怎么把这 60% 拉到 95%——五个预处理步骤，每一个都附「怎么做、做到什么程度」的实操阈值，最后给一套纯前端的工作流（图片压缩 + 图片裁剪 + 批量 OCR）。
第一步：分辨率——DPI 不能低于 300
OCR 模型是在 300 DPI 的扫描件上训练出来的。你给它 800×600 的截图，它认不出小字；给它 4000×3000 的原图，它能慢慢推但浪费算力。
经验阈值：
- 印刷体正文：长边至少 2000 像素（约 A4 纸 300 DPI）
- 表格、收据、票据：长边至少 2400 像素（细节更多）
- 手写体：长边 3000+ 像素（字符变化大，需要更多上下文）
- 手机翻拍：长边至少 2500 像素，且保持平整
低于这个阈值，再强的引擎也救不回来。手机拍文档专用 App（Adobe Scan、Microsoft Lens）会自动切边 + 矫正 + 拉到合适分辨率，强烈推荐装一个。
但如果原始素材已经是低分辨率扫描件，别用插值放大——会糊得更厉害。重新扫描是唯一出路。
第二步：对比度——黑够黑、白够白
OCR 模型靠像素灰度差判断字和背景。对比度拉满的字最容易认。
具体做法：
- 白底黑字最佳。彩色字、灰底字、反白字（白字黑底）都会显著降低准确率。
- 如果原图是淡蓝底灰字，用任意图片编辑器把饱和度降到 0、对比度拉到 +50——OCR 准确率能涨 10-20 个百分点。
- 扫描老旧文档有「纸面发黄」问题——把色温往冷调拉一点（去黄），或者直接转灰度（Grayscale），OCR 模型更擅长灰度。
快速验证：图片放大到 100%，肉眼能不能 1 秒内读出每个字？如果不能，OCR 大概率也不能。
第三步：去噪——摩尔纹、压缩伪影、水印
三类噪声最伤 OCR：
| 噪声类型 | 来源 | 解决 |
|---|---|---|
| 摩尔纹 | 屏幕翻拍 | 用专用 App（Adobe Scan），或换角度重拍 |
| JPEG 压缩伪影 | 反复保存的 JPG | 重新转 PNG 后再 OCR |
| 水印、印章、批注 | 原始文件就有 | 先用 图片裁剪 把非文字区域切掉 |
实测中，带半透明水印的发票会让 OCR 把水印字符也认进去，跟正文混在一起，输出完全没法用。
最稳的做法：OCR 之前，先用 图片压缩 重新转一次格式（PNG → JPG 或反之），既能去掉旧的压缩伪影，又能控制最终文件大小。
第四步：去倾斜——超过 3 度准确率就掉
Tesseract 对倾斜角度非常敏感。倾斜 0-3 度影响不大，超过 5 度准确率断崖式下跌，超过 10 度基本不可用。
手动矫正：
- 用任意编辑器旋转，0.5 度为单位微调，直到文字行完全水平
- 或者用 OpenCV 的
HoughLinesP自动检测倾斜角
自动化方案：Adobe Scan、Microsoft Lens、百度网盘扫描 这类 App 都内置自动切边 + 矫正——拍完就是正的、方的，直接喂 OCR 就行。
如果素材是从 PDF 导出的，PDF 阅读器自带的旋转功能就够用。
第五步：选对引擎和参数
做好上面四步预处理后，最后一步是引擎 + 参数选择。
引擎选型：
| 场景 | 推荐引擎 |
|---|---|
| 英文印刷体 | Tesseract eng（开源、免费、本地） |
| 中文印刷体 | Tesseract chi_sim + eng（组合） |
| 表格、票据 | 专用结构化识别（PaddleOCR、Amazon Textract） |
| 手写体 | 云服务（Google ML Kit、百度手写体识别） |
Tesseract 关键参数：
--psm 6：假设是统一的文本块（大多数文档场景）--psm 11：稀疏文本（菜单、收据、招牌）--psm 12：配合 OSD（Orientation and Script Detection）自动检测方向preserve_interword_spaces=1：保留词间空格（中文不要开）
跑批量之前，先用单张图测试 5 分钟，调好参数再批量。批量场景下，参数不对浪费的是几十分钟。
实操：纯前端三件套工作流
不想装软件、不想上传文件到云端（涉及隐私）？Piick 的三个工具可以全部在浏览器本地跑——图片从头到尾不出你的电脑。
工作流
- 图片裁剪：把无关区域（水印、签名、印章、多余白边）切掉，留核心文字区域。
- 图片压缩：把图重新编码一次（Quality 80、宽度限制 1920px），去旧压缩伪影 + 控制大小。
- 批量图片转文字：.zip 上传或多图拖拽，逐张识别后打包下载，每张图一个 .txt + 合并文本 + CSV 索引。
为什么这套组合有效
- 裁剪去干扰——水印、印章、多余边距不参与识别
- 压缩去伪影——旧 JPEG 噪点被新编码覆盖
- 批量 OCR 本地化——Tesseract.js 在浏览器里跑，数据不上传，适合发票、证件、内部文档
适合什么场景
- 纸质合同 / 发票电子化：批量处理几十张扫描件
- 书籍 / 论文摘录：把一段段截图批量转成可编辑文本
- 会议白板、PPT 截图：拍照后批量转文字做会议纪要
不适合
- 手写体（准确率低，需要云服务）
- 复杂表格（行列错乱，需要专用结构化识别工具）
- 公式、代码截图（识别率 50% 以下，不建议走 OCR）
图片转文字这件事，80% 的功夫在预处理，20% 在引擎调参。把上面五个步骤（分辨率、对比度、去噪、去倾斜、参数选型）做扎实，开源 Tesseract 也能跑出 95%+ 的准确率。
需要批量处理扫描件？打开 Piick 批量图片转文字工具，.zip 上传或拖几十张图进去，喝杯咖啡的功夫就能拿到合并好的文本文件。