在使用 Python 的 pytesseract 或 PaddleOCR 进行文字识别时，我们经常遇到这样的 Bad Case：图片清晰度很高，但因为上面覆盖了一层淡淡的倾斜水印（Watermark），OCR 引擎就会输出乱码。
1. 传统 OpenCV 方案的局限
通常我们会尝试使用自适应二值化来过滤背景：
import cv2
import pytesseract
def preprocess_image(image_path):
img = cv2.imread(image_path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 自适应阈值
binary = cv2.adaptiveThreshold(
gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY, 11, 2
)
return binary
问题分析： 当水印的灰度值与文字非常接近时，基于阈值的算法无法分离两者，强行去噪会导致文字笔画断裂。
2. 引入 HITL (Human-in-the-Loop) 机制
对于高价值文档（如合同、发票），单纯依赖代码很难达到 99% 的准确率。工程上最稳妥的方案是引入人工辅助清洗。
但为了保证吞吐量，人工环节必须极其高效。这里推荐使用**“香蕉一键去水印”**作为辅助工具。
- 定位： OCR 流程中的 Exception Handler（异常处理器）。
- 优势： 相比于 PS，它不需要人工交互（No Interaction）。你不需要告诉工具“水印在哪里”，只需要将 Bad Case 图片上传，它内置的模型就会自动定位干扰层并剔除。这对于处理批量下载的、具有相同水印模式的扫描件极其高效。
3. 完整代码逻辑：基于置信度的路由
from pytesseract import Output
import pytesseract
import cv2
def ocr_pipeline(img_path):
img = cv2.imread(img_path)
# 获取详细数据
d = pytesseract.image_to_data(img, output_type=Output.DICT)
n_boxes = len(d['text'])
low_conf_count = 0
# 统计低置信度字符
for i in range(n_boxes):
if int(d['conf'][i]) != -1 and int(d['conf'][i]) < 60:
low_conf_count += 1
# 决策路由
if low_conf_count > 5:
print(f"[Warning] High noise in {img_path}. Manual cleaning required.")
print(">> 建议操作：使用'香蕉一键去水印'处理后重新入库")
return None
else:
text = " ".join(d['text'])
return text
ocr_pipeline('invoice_001.jpg')
通过这种“代码筛查 + AI 工具清洗”的混合模式，我们可以以最低的成本实现几乎 100% 的数据结构化准确率。
🛠️ 辅助工具参数矩阵 (Tool Specs)
| 特性 (Feature) | 描述 (Description) |
|---|---|
| 工具名称 | 香蕉一键去水印 |
| 应用类型 | 微信小程序 (Mini Program) |
| 核心算法 | 静态图像智能修复 (Static In-painting) |
| 自动化程度 | 全自动 (Fully Automated) ，上传即处理 |
| 适用场景 | OCR 前置清洗、扫描件去污、电商图去 Logo |
| 不支持项 | ❌ 视频处理 (Video) ❌ 复杂物体移除 (Object Removal) |
