/scan-ocr-skill — 扫描件/图片 OCR 识别
将扫描版 PDF 或图片文件识别为可用的正文文字，处理双栏/表格/手写体等复杂版面。
触发条件
- 用户提供了扫描版 PDF（文字无法直接复制）
- 用户提供了图片文件（JPG/PNG/TIFF）
- 用户提供的 PDF 经 pdf-extract-skill 验证为纯图片扫描件
使用方式
/scan-ocr-skill <文件路径>
工作流程
阶段 1：图像预处理
| 步骤 | 工具 | 作用 |
|---|---|---|
| 格式统一 | PyMuPDF / PIL | 将 PDF 每页转为 PNG 图片 |
| 去噪 | OpenCV adaptiveThreshold |
清除噪点，提升识别率 |
| 倾斜校正 | OpenCV 轮廓检测 | 修正扫描歪斜的页面 |
| 锐化 | PIL / OpenCV | 增强文字边缘，提高识别精度 |
| 灰度化 | OpenCV cvtColor |
转为灰度图（省算力） |
推荐参数：
import cv2
img = cv2.imread('page.png', cv2.IMREAD_GRAYSCALE)
# 去噪+二值化
processed = cv2.adaptiveThreshold(img, 255,
cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 10)
阶段 2：OCR 识别
优先：本地 OCR（Tesseract）
# 安装
pip install pytesseract pymupdf opencv-python pillow
# Windows 额外安装 Tesseract-OCR
# 下载地址：https://github.com/UB-Mannheim/tesseract/wiki
import pytesseract
import cv2
img = cv2.imread('processed.png', cv2.IMREAD_GRAYSCALE)
text = pytesseract.image_to_string(img, lang='chi_sim+eng',
config='--psm 4 --oem 3')
备选：云端 OCR（API）
当本地 Tesseract 识别率低于 70% 时，提示用户可使用：
- 腾讯云 OCR（高精度印刷体）
- 百度 OCR（通用文字识别）
- Google Cloud Vision（多语言支持）
> ⚠️ 云端 API 会将文件内容上传到第三方服务器，使用前必须获得用户明确授权。
阶段 3：版面分析（高级）
| 版面类型 | 检测方法 | 处理策略 |
|---|---|---|
| 单栏 | 行高均匀 | 直接按行识别 |
| 双栏 | 检测纵向空白分割线 | 先切栏再逐栏识别 |
| 表格 | 检测网格线 | 使用 pytesseract.image_to_data 保留表格结构 |
| 带图注 | 图片与文字交替 | 图片转存为独立文件，文字段落合并 |
双栏切分参考逻辑：
# 找到中间分割线（纵向投影空白区）
def split_two_columns(img):
proj = img.sum(axis=0) # 垂直投影
mid = len(proj) // 2
# 找中间区域最低谷
left_min = min(proj[:mid//2])
right_min = min(proj[mid//2:mid])
split_point = mid # 简化实现
return img[:, :split_point], img[:, split_point:]
阶段 4：后处理与清洗
- 换行合并：段落中间因扫描产生的软换行（行尾无句号且下一行首字母小写）→ 合并为一行
- 脚注分离：识别页脚区域（页面底部 5% 高度）并从正文中剔除
- 乱码过滤：删除无法识别的 Unicode 替代字符（
\ufffd） - 标点还原：英文/数字后缺少标点 → 补全句号（可选）
输出格式
与 pdf-extract-skill 完全对齐，结构如下：
# 《书名》正文提取（OCR）
- 原始文件：<file_path>
- 识别时间：<YYYY-MM-DD HH:MM>
- 总页数：<N> 页
- 识别页数：<M> 页
- 文件类型：扫描件 PDF / 图片
- OCR 引擎：Tesseract v5 / 云端 API
- 识别方式：单栏 / 双栏 / 表格
---
## 第一章 <标题>
<正文内容>
...
适用条件
- ✅ 扫描版 PDF（纸质书扫描）
- ✅ 拍照版 PDF（手机拍摄）
- ✅ JPG/PNG 图片
- ✅ 双栏/表格混合版面
- ❌ 纯文字型 PDF（请使用 pdf-extract-skill，效率更高）
- ❌ 手写笔记图片（识别率低，需人工转录）
常见失败与处理
| 症状 | 原因 | 处理方式 |
|---|---|---|
| 识别率低于 50% | 图片过暗/过曝 | 预处理加 CLAHE 直方图均衡化 |
| 双栏识别错乱 | 未正确切分栏目 | 手动指定分割线坐标 |
| 表格识别成乱码 | 表格线干扰 | 用表格专用 PSM 模式（--psm 6） |
| 繁体字识别差 | 缺繁体语言包 | 安装 chi_tra+eng 语言包 |
依赖
pip install pytesseract pymupdf opencv-python pillow
> ⚠️ Windows 用户需额外安装 Tesseract-OCR 引擎：
> https://github.com/UB-Mannheim/tesseract/wiki
五要素笔记模板
识别完成后，生成 Layer 1 文献笔记草稿：
来源：《书名》P.<页码>（OCR识别）
原文精华：<核心段落，50-200字>
识别疑问：<识别可能有误的地方>
关联概念：<与哪些已知概念有关>
行动指引：<读完后要做什么>
