aifinlab/ocr-scan-recognition

OCR扫描件识别 Skill

数据来源

本 Skill 支持多种扫描件输入格式，核心数据来源包括：

1. 扫描件文件类型

• 图片格式：PNG、JPG、JPEG、TIFF、BMP等
• PDF格式：扫描版PDF文档
• 多页文档：多页扫描文档、批量扫描文件

2. 扫描件类型

• 文档扫描件：合同、报告、证书等文档扫描件
• 表格扫描件：财务报表、数据表格扫描件
• 手写文档：手写文字、签名、批注
• 印刷文档：印刷文字、书籍、报纸

3. 扫描件特征

• 扫描质量：清晰度、分辨率、对比度
• 文档类型：单页文档、多页文档、装订文档
• 语言类型：中文、英文、多语言混合
• 版式类型：标准版式、复杂版式、手写版式

4. 数据格式要求

• 文件路径：本地文件路径或网络文件URL
• 图片格式：支持常见图片格式
• 文件权限：需要读取权限

说明：本 Skill 不包含扫描件采集功能，需要用户提供扫描件文件。建议扫描件清晰且分辨率足够，以便进行准确的OCR识别。

---

功能

本 Skill 提供全面的OCR扫描件识别能力，涵盖多种识别功能：

1. 文字识别

• 印刷文字识别：识别印刷体文字
• 手写文字识别：识别手写体文字
• 多语言识别：识别中文、英文等多种语言
• 特殊字符识别：识别数字、符号、公式等

2. 版面分析

• 版面结构识别：识别文档的版面结构
• 段落识别：识别段落和段落边界
• 行识别：识别文本行和行间距
• 列识别：识别多列布局和列边界

3. 表格识别

• 表格检测：检测扫描件中的表格
• 表格结构识别：识别表格的行列结构
• 表格内容提取：提取表格的文字内容
• 表格数据重建：重建表格的数据结构

4. 图像处理

• 图像预处理：去噪、二值化、倾斜校正
• 图像增强：对比度增强、清晰度提升
• 图像分割：文档分割、区域分割
• 图像质量评估：评估图像质量和识别难度

5. 格式保留

• 格式信息保留：保留字体、字号等格式信息
• 版式还原：尽可能还原原始版式
• 位置信息记录：记录文字在页面中的位置
• 布局信息提取：提取页面布局信息

6. 高级处理功能

• 批量识别：批量处理多个扫描件
• 识别结果校正：自动校正识别错误
• 置信度评估：评估识别结果的置信度
• 结构化输出：输出结构化的识别结果

---

使用示例

输出示例

{
  "document_info": {
    "filename": "scanned_document.pdf",
    "file_size": 2048000,
    "page_count": 5,
    "format": "pdf",
    "resolution": 300
  },
  "ocr_results": [
    {
      "page": 1,
      "regions": [
        {
          "region_id": 1,
          "type": "text",
          "bbox": [100, 200, 500, 300],
          "text": "2024年度财务报告",
          "confidence": 0.98,
          "language": "zh-CN"
        },
        {
          "region_id": 2,
          "type": "table",
          "bbox": [100, 350, 500, 600],
          "table_structure": {
            "rows": 10,
            "columns": 5,
            "data": [
              ["项目", "2024年", "2023年", "2022年", "2021年"],
              ["营业收入", "1000", "900", "800", "700"]
            ]
          },
          "confidence": 0.95
        }
      ],
      "full_text": "2024年度财务报告\n\n项目\t2024年\t2023年\t2022年\t2021年\n营业收入\t1000\t900\t800\t700\n...",
      "layout": {
        "width": 2100,
        "height": 2970,
        "orientation": "portrait"
      }
    }
  ],
  "statistics": {
    "total_pages": 5,
    "total_text_regions": 25,
    "total_table_regions": 3,
    "average_confidence": 0.94,
    "languages": ["zh-CN"]
  },
  "quality_assessment": {
    "overall_quality": "good",
    "clarity_score": 0.92,
    "contrast_score": 0.88,
    "recommendations": []
  }
}

---

注意事项与限制

1. 扫描质量要求

• 高分辨率清晰扫描件识别准确率较高
• 低分辨率或模糊扫描件可能影响识别
• 建议扫描分辨率不低于300 DPI

2. 识别准确性

• 印刷文字识别准确率较高
• 手写文字识别准确率相对较低
• 特殊字体可能影响识别

3. 版面复杂度

• 标准版式识别准确率较高
• 复杂版式可能影响识别
• 手绘表格识别可能有限

4. 语言支持

• 中文和英文识别准确率较高
• 其他语言识别准确率可能较低
• 多语言混合可能影响识别

5. 使用限制

• 本 Skill 不包含图像编辑功能
• 识别结果需要人工复核
• 低质量扫描件可能需要预处理

---

参考资料

• 见 references/ 目录中的相关文档，包括：
  • OCR识别方法手册
  • 图像预处理算法说明
  • 多语言识别指南
  • 性能优化指南