# OCR 前先处理质量不佳的扫描件：模糊、倾斜与阴影

判断常见的扫描缺陷，谨慎使用外部预处理，对同一批样本做前后对比，并识别出清理也无法恢复的信息。

处理一份难啃的扫描件之前，先弄清它到底哪里有问题。文字倾斜、页面横放、图像模糊、装订处有暗影、页边被裁掉，这些情况需要分别应对。把所有清理选项一股脑打开，去掉噪点的同时也容易抹掉有用的痕迹。

原始文件不要动。先拿几页有代表性的页面复制一份，在副本上试改，确认效果后再应用到整本书。

## 分清哪些缺陷能修，哪些信息已经丢失

| 缺陷      | 需要检查什么         | 合适的下一步           |
| ------- | -------------- | ---------------- |
| 轻微倾斜    | 文字行有斜度，但笔画仍然清晰 | 试一下纠偏            |
| 页面横放或倒置 | 阅读方向不对         | 校正旋转             |
| 装订阴影    | 靠近书脊处的小字消失     | 条件允许时重新拍摄        |
| 模糊或运动拖影 | 字母笔画粘连在一起      | 重新扫描，或换一份更清晰的来源  |
| 页边被裁掉   | 字符或注释标记缺失      | 找回完整的原始页面        |
| 斑点或黑色边框 | 噪点干扰小字号文字      | 试一下保守的清理，确保不抹掉内容 |

把已经模糊的图像放大，并不会补回丢失的笔画细节。根据上下文猜出一个看起来合理的词，和真正还原原文是两回事。确实无法辨认的地方要如实标注，不能因为 OCR 或翻译结果读起来通顺，就当成原文无误。

## 有目的地使用外部预处理

下面说的是外部的预处理手段，不是 PDF Craft 里的图像编辑功能。Adobe 在“扫描和 OCR”下介绍了它的[扫描增强工具](https://helpx.adobe.com/acrobat/desktop/create-documents/scan-documents-to-pdfs/enhance-scans.html)。请按你所使用版本的当前说明操作，另存一份工作副本，检查结果之后再决定是否替换原文件。

如果习惯用命令行，[OCRmyPDF 的 cookbook](https://ocrmypdf.readthedocs.io/en/stable/cookbook.html) 把旋转和纠偏区分开来。对于按要求准备好的测试文件，文档中给出的选项包括：

```sh
ocrmypdf --deskew --rotate-pages input.pdf output.pdf
```

这个示例会另写一个输出文件，并不是每次用 PDF Craft 之前都必须执行的命令。外部工具要按其文档安装和配置，需要时选对识别语言，并留意针对实际来源文件给出的警告。不要因为某篇无关的教程用了某些清理选项，就跟着加上会破坏图像的处理。

[Tesseract 的质量指南](https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html)解释了输入质量和倾斜为什么会影响到识别结果。这些建议针对的是该 OCR 引擎，并不代表某一组通用设置就能解决所有书的问题。

## 对同样的页面做前后对比

挑一页普通页面，再挑一页有难度、带小字、注释或表格的页面。保留它们原来的位置。每次只做一项有意义的调整，这样才能看出哪一步有帮助、哪一步损坏了图像。

既要比较画面，也要比较识别出来的文字。检查标点、小数点、负号、上标和表格的细线。对比度调高后页面看着更干净，却可能把本来很重要的浅淡笔画去掉了。

页边和装订区域也要看。裁掉黑色边框的同时，可能把脚注标记也裁掉了。清理之后正文变好了，插图或手写内容却可能受损。不要只看最显眼的那一段来判断效果。

把用过的设置和仍未解决的缺陷记下来。小样本有助于估计校对工作量，但不能据此得出整本书的准确率。

## 来源文件可用之后，再决定输出什么

如果目的是继续阅读、并且希望文字大小可调，就选 EPUB。如果目的是编辑或做研究笔记，就选 Markdown。需要保留原始页面外观、方便核对来源时，就保留 PDF。

在 [PDF 工作区](https://pdfcraft.ai/zh-CN/pdf-craft/)上传准备好的 PDF，再选择实际的输出格式和翻译设置。EPUB 和 Markdown 可以不翻译，PDF 输出则必须翻译。这些选项不会因为网站地址而自动替你选定。

新用户会获得试用额度，处理按用量计费。提交大批文件之前，先查看当前的限制和[价格](https://pdfcraft.ai/zh-CN/pricing/)。PDF Craft 不承诺修复每一个损坏的字符，也不承诺不经校对就能还原所有复杂版式。

## 最后检查时，保留不确定之处

下载之后，回到刚才那几页难处理的页面。比较段落顺序、小字注释、公式，以及靠近书脊的文字。如果涉及翻译，遇到读起来别扭的句子，回头看看原图；错误可能从识别那一步就开始了。

[扫描版 PDF 翻译指南](https://pdfcraft.ai/zh-CN/blog/translate-scanned-pdf/)讲了下游的校对方法。[OCR 与翻译工作流指南](https://pdfcraft.ai/zh-CN/blog/ocr-and-translate-workflow/)说明了为什么识别和含义需要分别核对。把原始文件和预处理后的副本放在一起，以后修改时才能追溯。