OCR扫描件识别准确率
水印如何影响 OCR 识别？
你以为只是个水印？对 OCR 引擎来说，水印是货真价实的噪声。半透明斜向文字会干扰字符分割，Logo 会污染背景，最终导致错字、漏字、乱码。
Quick Answer
OCR 依赖清晰的字符边缘与对比度。水印（尤其半透明、重复、斜向类）会与正文像素混合，破坏字符轮廓，使识别引擎把水印笔画误判为正文，或把被遮挡的笔画遗漏。先清除水印再 OCR，可显著提升准确率：实测一份 40 页扫描合同清除 CamScanner 半透明水印后，OCR 准确率从约 80% 提升到约 98%。
一、OCR 是怎么看文字的
光学字符识别先把页面转成图像，再做二值化、字符分割、特征匹配。任何破坏「前景/背景」对比度的元素，都会让这一步出错。水印恰恰是最高频的干扰源之一。
二、水印干扰 OCR 的三种机制
- 笔画污染：半透明斜向水印与正文交叉，字符边缘被糊掉。
- 误识别：引擎把水印文字（如 DRAFT）当成正文的一部分，产生多余错字。
- 背景噪声：Logo、底纹提高背景复杂度，降低二值化阈值稳定性。
三、清除后再 OCR 的效果
在干净的版面上运行 OCR，字符分割更准、置信度更高。对扫描件尤其明显：先清理水印与印章，再做识别，是专业文档数字化的标准前置步骤。
四、最佳实践
- 先用 AI 清理水印、页眉页脚、印章。
- 再导出干净 PDF 做 OCR（或启用 OCR 清洗能力）。
- 对残留乱码，用 OCR 干扰清洗进一步修正。
📌 真实案例 · 扫描合同 OCR 准确率 +18%
- 场景：40 页扫描采购合同，含 CamScanner 半透明水印与装订孔阴影。
- 处理前 OCR：约 80% 准确率，多处将水印 CamScanner 误识为正文。
- 清理后 OCR：约 98% 准确率，关键条款零错字，可直接进入合规审查。
常见问题（深度解答）
Q：是不是所有水印都会降低 OCR 准确率？
绝大多数会，但程度不同。不透明、位于页边距的文字水印对正文干扰较小；而半透明、斜向、与正文重叠的水印，以及铺满页面的 Logo 底纹，对 OCR 的破坏最严重。经验法则：只要水印出现在正文区域内，就建议在 OCR 前清除。
Q：先 OCR 再清和先清再 OCR 有区别吗？
有本质区别。先 OCR 会把水印噪声一起识别进文本层，产生大量错字与乱码，事后很难干净地剔除；先清理得到干净版面再 OCR，识别质量高得多。因此我们建议把清理作为 OCR 的前置步骤，而不是事后补救。
Q：清除水印后还需要做 OCR 清洗吗？
对重度扫描件仍建议做。即使清除了可见水印，原始扫描的噪点、倾斜、装订孔阴影仍可能影响识别。PDFnoted 的 OCR 干扰清洗（Pro）会在识别后进一步修正残留乱码与重复文字，与本指南的清理流程形成闭环。
Q：为什么实测能提升 18% 而不是更高？
提升幅度取决于原始污染程度。水印轻微、正文清晰的文档，提升可能只有 3%-5%；而重度 CamScanner 水印、多印章的扫描件，提升可达 15%-25%。18% 是中等污染典型样本的经验值，不代表上限。