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 ```json { "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