在 OCR 的图像处理流水线中，二值化（Binarization） 通常被安排在最前哨。如果把 OCR 识别比作一场考试，那么二值化就是“发卷子”的过程——如果卷子发下来就是一团墨漆或者模糊不清，后续算法再强大也无力回天。

这就是为什么我们说：二值化是 OCR 的第一道“生死关”。

什么是二值化？

简单来说，二值化就是将拥有 256 个亮度等级的灰度图，转换为只有 “0（黑）” 和 “255（白）” 的黑白图。

其核心目的是提取目标、剔除背景。对于 OCR 引擎而言，它并不关心你的纸张是米黄色还是浅蓝色，它只想知道哪里是文字笔画（前景），哪里是纸张（背景）。

为什么它是“生死关”？（三大挑战）

二值化的质量直接决定了文字特征的完整性。一旦处理不好，就会出现以下两种致命情况：

1. 笔画断裂（欠曝光/阈值过高）

如果二值化算法太“严苛”，细小的文字笔画会被误认为背景而切断。

  • 后果： “日”变成了“口”，“三”变成了三横，OCR 引擎会因为找不到闭合路径而识别失败。

2. 粘连与噪声（过曝光/阈值过低）

如果算法太“宽松”，背景里的阴影、纸张的纹理、背面的透字都会被识别成黑色。

  • 后果： 文字和背景糊成一团，两个字连在一起变成了一个奇怪的几何图形，AI 无法进行字符切分。

3. 复杂环境的降维打击

在现实场景中，二值化面临的往往是“地狱难度”：

  • 光照不均： 拍照时手机挡住了光，导致图片左亮右暗。
  • 光面纸反光： 杂志或药盒表面形成耀眼的白斑。
  • 背景复杂： 带有底纹的支票或满是油污的工业铭牌。

破解之道：从“一刀切”到“因地制宜”

为了过这一关，技术专家们演化出了不同的策略：

A. 全局阈值法（如 Otsu 大津法）

寻找全图的一个最佳平衡点。

  • 优点： 速度极快。
  • 缺点： 只要图片上有一块阴影，全局阈值就会失效，阴影处会全黑。

B. 局部自适应阈值法（Local Adaptive Thresholding）

将图片分成无数个小方格，每个区域独立计算阈值。

  • 优点： 能有效处理光照不均，哪怕图片一半在阳光下，一半在阴影里，也能清晰提取文字。

C. 基于深度学习的二值化

利用 CNN（卷积神经网络）预测每个像素属于文字的概率。

  • 现状： 2026 年的主流方案。它能识别出什么是“污渍”而什么是“淡墨痕”，在处理极端破损的古籍或低质量传真件时具有统治力。

二值化做得好，后续的文字检测和识别就像在白纸上写字一样简单；二值化做不好，后续算法就要在“垃圾堆”里找金子。

在开发 OCR 解决方案时，投入 50% 的精力优化预处理（尤其是二值化）往往比盲目升级识别模型更高效。

那我们就用 Python 中最经典的图像处理库 OpenCV 来演示三种不同层级的二值化方法。

这段代码将展示：从简单的“一刀切”到能够应付复杂光照的“自适应法”。

import cv2
import numpy as np
from matplotlib import pyplot as plt

def ocr_binarization_demo(image_path):
    # 1. 以灰度模式读取图片
    img = cv2.imread(image_path, 0)
    if img is None:
        print("Error: 无法加载图片，请检查路径。")
        return

    # 策略 A：全局固定阈值（阈值设为127）
    # 大于127变为白色，小于则为黑色。最简单，但怕光照不均。
    _, t1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

    # 策略 B：Otsu (大津法) 自动阈值
    # 算法会自动计算图像的直方图，找到区分背景和前景的最佳阈值。
    _, t2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 策略 C：自适应平均阈值 (Adaptive Thresholding)
    # “因地制宜”，每个像素的阈值根据它周围 11x11 区域的平均值计算。
    # 专门对付光照不均、有阴影的纸张。
    t3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                               cv2.THRESH_BINARY, 11, 2)

    # 结果可视化
    titles = ['Original Gray', 'Global (127)', 'Otsu Auto', 'Adaptive Gaussian']
    images = [img, t1, t2, t3]

    for i in range(4):
        plt.subplot(2, 2, i+1), plt.imshow(images[i], 'gray')
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([])
    
    plt.tight_layout()
    plt.show()

# 调用示例
# ocr_binarization_demo('test_paper.jpg')