在档案数字化场景下，OCR 的核心挑战不是“识别”，而是 “还原”。 我们的目标是：在 OCR 介入之前，先把图片修好。这就像修图师修老照片一样，只不过我们要修的是 “文字的骨架”。

1. 痛点一：纸张泛黄与水渍 (Background Noise)

老旧执照最大的问题是 对比度低。 纸张氧化变黄，加上受潮的水渍，导致背景的灰度值（比如 180）和文字的灰度值（比如 120）非常接近。 通用的 全局二值化（Global Thresholding） 算法在这里会彻底失效：设高了，背景全是噪点；设低了，字没了。

工程方案：自适应二值化 (Adaptive Binarization)

我们不能用一个固定的阈值去切分整张图。我们需要 局部阈值。

  • 算法选型：推荐使用 Sauvola 算法 或 Niblack 算法（比 OpenCV 自带的 Adaptive Gaussian 效果更好）。
  • 原理： 算法会计算每个像素点周边的 局部均值 和 标准差。
    • 如果一个像素比它周围的邻居“黑”很多，它就是字。
    • 如果它和周围邻居一样“黄”，它就是背景。
  • 效果：哪怕纸张左边是黄的，右边是白的，中间有咖啡渍，Sauvola 算法都能把黑色的文字骨架完美提取出来，背景变成纯白。

2. 痛点二：折痕与装订孔 (Physical Damage)

营业执照长期折叠存放，扫描出来后，中间会有一道深深的黑线（折痕）。 OCR 最容易把这道黑线识别成“1”、“I”或者“/”，导致“注册号”多了一位，数据清洗极其困难。

工程方案：形态学操作与连通域分析

我们需要通过几何特征，把“折痕”和“文字”区分开。

  1. 形态学滤波 (Morphological Filtering)：
    • 文字的笔画是有一定宽度的（比如 3-5 像素）。
    • 折痕通常是细长的线条。
    • 操作：先进行 “开运算（Opening）”。用一个小的结构元素（Kernel）去腐蚀图像，细长的折痕会被断开或消失，而粗壮的文字会被保留。
  2. 连通域分析 (CCA, Connected Component Analysis)：
    • OCR 识别前，先计算图中所有黑色块的面积和长宽比。
    • 逻辑：
      • if (Height > 500px AND Width < 5px) -> 这是折痕，填白（抹除）。
      • if (Area < 5px) -> 这是噪点（灰尘），填白。
    • 结果：只保留像“字”一样的像素块。

3. 痛点三：字迹模糊与断裂 (Blur & Stroke Disconnection)

早期的执照打印机（针式打印机）精度低，或者因为受潮，字迹晕染、断裂。 OCR 看到的是一堆断开的点，而不是一个完整的汉字。

工程方案：超分辨率重建 (Super-Resolution GAN)

对于这种分辨率不足（< 150 DPI）的老档案，传统的插值放大（Bicubic）只会让字更糊。 我们需要 AI 脑补。

  • 技术栈：部署一个轻量级的 Real-ESRGAN 或 SwinIR 模型。
  • 训练策略：
    • 不需要从头训练。使用预训练的“文本增强”权重。
    • Input：模糊、有噪点的低清执照切片。
    • Output：4 倍放大的高清重构图。
  • 效果：GAN 网络会根据学习到的汉字结构，把断裂的笔画“接上”，把模糊的边缘“锐化”。
  • 注意：GAN 有微小的概率会“造字”（把“土”补成“士”），因此置信度阈值要设高。

4. 痛点四：手写与打印混排 (Handwritten Text)

80 年代、90 年代的营业执照，很多是 “手写填空” 的。 印刷体 OCR 模型识别手写体，准确率基本是 0。

工程方案：检测与分流 (Detection & Routing)

  1. 版面分析： 先用目标检测模型（YOLO）把“填空区域”切出来。
  2. 分类器： 判断切片是印刷体还是手写体（基于纹理特征或简单的 CNN 分类）。
  3. 双引擎策略：
    • 印刷体 -> 送入 Standard_OCR_Engine。
    • 手写体 -> 送入 Handwriting_OCR_Engine（专门在手写数据集上微调过的模型）。

5. 总结

在档案数字化项目中，营业执照 OCR 的成功率，30% 取决于识别模型，70% 取决于图像处理。

面对那些泛黄、褶皱、快要碎掉的老执照，工程师不应该期待“更强的 AI”来创造奇迹，而应该用扎实的 计算机视觉（CV）工程手段，先把图修好。

这不仅仅是技术问题，更是对历史数据的敬畏——把原本要被丢进碎纸机的“不可读”档案，变成数据库里永存的“资产”。