扫描件为什么会缺字：从像素到连通块，把二值化拆开讲

扫描件翻译缺字，多数不是识别认错，是笔画在进识别器之前就断了。中间隔着四层，每层都能单独把字弄坏，坏法还不一样。

第一层：采样，决定笔画有多厚

文字在 PDF 里是矢量，落到图上就是像素。同一个 10pt 的字，150dpi 时笔画宽 2.8 像素，200dpi 是 4.0，300dpi 是 4.39。抗锯齿还要让边缘各占一格灰，2.8 像素的一个笔画，真正实心的只剩 1–2 像素。

第二层：纸面，背景不再是纯白

电子版渲染的背景是 255，直方图上就一根尖峰。扫描件是一张有纹理的纸：乘 0.92（白场落到 235 附近），叠 σ=6 高斯噪声，再按 q60 压一次 JPEG。尖峰变成几百灰度宽的肩膀，墨和纸不再是两个峰，是一个峰拖了条长尾巴。

第三层：阈值，一个参数管两种错

规则只有一句：灰度 ≤ 阈值判为墨。往左偏，浅笔画被判成纸；往右偏，纸的颗粒被判成墨。

同一页 300dpi，阈值从 100 走到 220，孤立碎块（面积 ≤6 像素）依次是 48 → 2 → 0 → 211 → 38524。左端笔画被切碎，右端噪点被收进来，中间只有 132 到 160 这一小段是干净的。自动阈值算出来正好 132。

第四层：连通块，把"断没断"变成能算的数

二值化后按 8 邻域求连通块，面积 ≤6 像素的孤立块单独计数，这个比例就是碎块率。

gray = render(page, dpi=300) # 采样：决定笔画厚度

scan = paper_noise(gray, gain=0.92, sigma=6, q=60) # 纸面：背景不再是纯白

_, bin_ = cv2.threshold(scan, t, 255, cv2.THRESH_BINARY_INV)

n, lab, st, _ = cv2.connectedComponentsWithStats(bin_, connectivity=8)

areas = st[1:, cv2.CC_STAT_AREA]

frag_rate = (areas <= 6).sum() / len(areas) # 碎块率：笔画断没断

关键的一组对照

同一页、同样 300dpi、同一段代码，只差"扫过没扫过"：

噪点把安全窗口从"190 到 220 都行"压成了"132 到 160 这一小段"。干净图怎么调都不出事，扫描件的容错只剩几十个灰度级。

分辨率那一侧更狠：150 / 200 / 300dpi，碎块 588 / 158 / 2 个，碎块率 18.68% / 5.78% / 0.08%，笔画宽 2.8 / 4.0 / 4.39 像素，体积 646KB / 1060KB / 2121KB。多花 1.5MB，换回两个数量级。

所以该怎么办

拿到扫描件，先做三步，别急着译：

1. 量厚度：看最小字号笔画几像素宽，低于 3 直接重扫。

2. 算碎块率：二值化后统计 ≤6 像素孤立块占比。≤1% 可继续，1%–5% 只适合正文，>5% 回炉。

3. 看白带：行间空白放大，本该全白的带子上有星星点点，行切分必糊。

能力边界照实说：对印刷体最友好；手写体、竖排古籍识别率明显低；三栏以上可能错位；扫描件准确率比电子版低一档，重要交付建议人工过一遍。

参考资料与口径

• 样本：15 页英文论文（NeurIPS 模板，单栏，非空白字符 33401 个），只用于生成模拟图，不含客户文件。
• 模拟参数固定：300dpi → 纸张 ×0.92 → 高斯噪声 σ=6 → JPEG q60。换参数数值会变，方向不变。
• 碎块＝8 邻域连通块中面积 ≤6 像素（低分辨率等比放宽）；笔画宽取距离变换峰值两倍后取中位。

[扫描件按页走 OCR 通道的做法与计费口径](https://trans.sunnytranslation.com/saomiao-fanyi)