OCR预处理实测：顺序与力度更关键
一项一手基准测试在英文单页上运行了 108 组 Tesseract 预处理组合，并在中文单页上运行了 60 组 macOS Vision 组合。实验显示，纠斜和去噪对 Tesseract 有帮助，但顺序与力度很关键：椒盐噪声用例中先去噪再纠斜的准确率为 98.6–99.1，而 9×9 中值核使英文准确率降至 91.0。单独使用 Otsu 改善有限，测试配置下的自适应二值化遇到高斯噪声会输出空白。
这些实测为调节 OCR 预处理提供了实用参考，但结论仅来自两页清晰印刷件、一台 Apple M4 电脑和单次运行，不应被当作通用 OCR 准确率排名。
摘要：扫描件送进 OCR 之前要不要纠斜、去噪、二值化？我把这三步拆成开关挨个打开关上。英文一页跑了 Tesseract 108 组，是 4 个倾角乘 3 种噪声乘 9 种处理。中文一页跑了 macOS 自带识别 60 组。另外补了几组顺序、核大小和页面分割模式的对照。纠斜和去噪对 Tesseract 有用。单独做 Otsu 几乎没用。自适应二值化碰上高斯噪声会直接输出空白。真正的坑在顺序和力度：椒盐噪声下先纠斜再去噪只剩 91.5～94.4，先去噪再纠斜是 98.6～99.1；中值核开到 9×9，英文从 98.9 掉到 91.0。同样的开关换一个识别器就不是一回事。macOS 自带识别对倾斜几乎无感，Otsu 在它身上反而让错字变多。
版本声明：数据在 2026-11-04 测得。测试用的 Mac 电脑芯片是 Apple M4，系统 macOS 26.5.2。软件是 Python 3.9、OpenCV 5.0.0 和 Tesseract 5.5.3，Tesseract 只装了英文语言包。macOS 自带识别调用的是系统文字识别框架的精确模式。浏览器端那一路跑在同一台电脑的桌面浏览器上。所有数字都是单次运行，没有重复取平均。