图片转文字 OCR 怎么识别才准：字高 32px 是门槛，三遍校对法
OCR（光学字符识别）现在几乎人人都在用：相册里长按就能提取文字，网页上传一张图就能复制内容。但很多人第一次用都会遇到同一个问题——识别出来的字错错落落，标点全乱，数字还串位，改起来比自己手打还慢。
实际情况是：OCR 的准确率七成取决于你喂进去的图，三成取决于语言和参数设置。这篇按"输入质量 → 参数 → 校对"三层拆开，给出可以直接照做的门槛值和处理顺序。
先看门槛：字够不够大，比清不清楚更重要
识别引擎的工作方式，是先把画面切成一行行文字、再逐字比对字形。所以字在画面里占多少像素，直接决定能不能认出来。
| 字高（像素） | 识别表现 | 建议 |
|---|---|---|
| < 15px | 笔画粘连，大量错字漏字 | 不可用，必须放大或重拍 |
| 20～30px | 能识别，标点和相似字容易错 | 可用但需认真校对 |
| 32px 左右 | 多数引擎的最佳区间 | 推荐 |
| > 60px | 识别稳定，但边缘锯齿可能被当成笔画 | 可用，必要时轻微模糊 |
为什么是 32px？因为主流识别模型（Tesseract、PaddleOCR 系列）在训练时用的就是这一档字号，官方文档里也把"汉字约 32×32 像素"作为模板图的推荐标准。这不是玄学，是模型的输入规格。
由此可以推出一条很实用的判断：整页文档拍照时，让正文占画面 60% 以上。很多人拍整页 A4，四周留了大量桌面，实际字高只有 12px，怎么调参数都救不回来——正确做法是裁掉边缘，或者靠近拍。
第二层：三种输入，三种处理
| 来源 | 主要问题 | 处理顺序 |
|---|---|---|
| 系统截图 | 字太小、含无关界面 | 直接截需要的段落，别先发微信再保存（二次压缩会毁笔画） |
| 扫描件 | 页边黑框、装订阴影、页面歪斜 | 裁掉黑边 → 纠偏 → 识别，正文四周留 10px 窄边 |
| 手机拍照 | 透视变形、阴影、反光 | 镜头与纸面平行 → 均匀光 → 裁到正文 → 识别；变形严重就重拍 |
三条经验，按重要性排序：
- 摆正 > 锐化：行歪了，引擎的行分割会错，识别顺序全乱；锐化只是让边缘更硬，救不了歪；
- 裁边 > 放大：裁掉空白和黑边，等于把有效像素集中到文字上，比整体放大更有效；
- 重拍 > 硬救：透视明显（上窄下宽）、反光遮住笔画时，重拍一张通常比后期调十分钟更快。
第三层：参数选错，等于白做
| 参数 | 怎么选 | 选错的后果 |
|---|---|---|
| 语言 | 纯中文选简体；有英文缩写/网址再选"中英混排" | 同时加载多余语言，相似字误判率上升 |
| 版面模式 | 整页文档用"自动"；单行/单字段用"单行文本"；票据用"稀疏文本" | 用单行模式跑整页，只认出一行 |
| 字符白名单 | 只识别数字时限定 0-9 和小数点 | 金额里的 O 被认成 0、l 被认成 1 |
| 倾斜校正 | 拍照件默认开；截图不必 | 歪 3 度以上，整段可能漏行 |
普通用户最常用到的是前两条。如果你用的是系统相册或在线工具，通常只有"语言"能选；需要精细控制（比如只识别发票金额）时，才需要用到 Tesseract 这类带参数的工具。
一个常见误解：改 DPI 不会提升识别率
很多人看到"OCR 建议 300dpi"，就去把图片的 DPI 标记改成 300。这没用——DPI 只是元数据标记，改它不会多出一个像素。一张 1000×1000 的图，改成 300dpi 还是 1000×1000，字还是那么小。
真正有用的是增加文字的实际像素：用原图（别用转发过的压缩图）、靠近拍、裁掉背景、或者在清晰度尚可时等比例放大 1.5～2 倍。放大能改善识别，是因为它让字高跨过了上面那张表的门槛，不是因为它"变清晰了"。像素与 DPI 的换算细节见像素和厘米怎么换算。
校对：三遍法，比从头读到尾快
OCR 的错误有规律，按风险从高到低查三遍，效率最高：
- 第一遍查名词：人名、公司名、地名、型号、生僻字。模型缺上下文时，会把生僻字换成更常见的形近字；
- 第二遍查数字：金额、日期、编号、手机号。重点看
0/O、1/l/I、5/S、8/B这几组； - 第三遍查结构：标题层级、换行、项目符号、双栏阅读顺序。文字对了，顺序也可能错。
还有一个细节：中文之间的多余空格。OCR 常把排版间距识别成空格，"今天 天气 很好"这种结果直接粘进文档会很难看。多数工具提供"删除中文字符间空格"的选项，勾上即可；但英文单词之间、数字与单位之间的空格要保留。
复杂版面：分块处理，别指望一步到位
- 表格：按行或按列切块，分别识别，再贴回表格。直接整表识别，行列关系基本必丢；
- 双栏文章：左右栏分开裁、分开识别，否则会串行（左栏第一行接右栏第一行）；
- 票据：字段位置固定时，用"模板识别"（框选区域 + 参照字段）比通用识别准得多；
- 手写字：工整的可以试，连笔和艺术字建议直接人工录入，别浪费时间。
把目标定清楚很重要：OCR 给你的是"可编辑的文字"，不是"还原的文档"。指望它一次输出带格式的 Word，注定失望；把它当成"高级一点的打字员"，心态就对了。
几个常见问题
识别置信度很高，是不是就不用校对了？
不是。置信度是引擎对自身结果的评分，不是逐字正确率。整页大部分是清晰正文时，总分可能很高，但角落里一个模糊的金额、一个生僻的姓名照样可能错。涉及付款、报名、合同的字段，必须对着原图逐项核。
手机相册自带的"提取文字"够用吗？
日常够用，尤其是截图和清晰文档。它的优势是快、不用上传；劣势是不能调版面模式和语言细节，遇到票据、双栏、竖排就明显吃力。批量处理还是导到电脑上更稳，传输方法见手机照片传到电脑。
为什么中文识别出来每个字之间都有空格？
因为引擎按"词"输出，中文没有空格分隔，模型会把字间空隙当成空格。解决办法是开启"删除中文间空格"选项，或在 Word 里用查找替换（查找" "、替换为空）批量处理，但记得先把英文部分的空格保护起来。
PDF 能直接 OCR 吗？
分两种：文字版 PDF（能选中文字）不需要 OCR，直接复制即可；扫描版 PDF（整页是图）需要先按页转成图片再逐页识别。转图时保持 300dpi 左右，转太低会掉字高。图片转 PDF 的反向操作见图片转 PDF。
拍书页时怎么提高成功率？
三个动作：把书压平（减少页面弧度）、镜头正对页面中心（减少透视）、用侧上方均匀光（避开手和手机的影子）。如果书很厚、弧度大，宁可分两次拍上半页和下半页，也别硬拍整页——中间那段永远是最糊的。
小结
OCR 的效果，八成在拍/截的那一刻就决定了。记住三个门槛和三个顺序：字高 ≥ 32px、正文占画面 60% 以上、先摆正再裁边最后识别；识别后按"名词 → 数字 → 结构"三遍校对。至于参数，普通场景只需选对语言和版面模式，其余交给默认值。改 DPI、猛锐化这类操作，基本属于无效努力。