解决任意角度旋转PDF的docTR文本识别校正问题

倾斜的扫描件（包括任意角度非90/180/270度旋转）会直接降低docTR的OCR识别精度，核心解决思路是先对PDF每页图像做倾斜校正，再输入OCR模型。以下是基于OpenCV的可靠实现方案：

实现步骤 #

1. 将PDF逐页转换为图像
2. 对单页图像做灰度化、二值化预处理，突出文本/表格区域
3. 通过轮廓分析检测文本的倾斜角度
4. 旋转图像校正至水平
5. 将校正后的图像输入docTR完成OCR

完整代码 #

import cv2
import numpy as np
from doctr.io import DocumentFile
from doctr.models import ocr_predictor

def correct_skew(image, delta=1, angle_limit=5):
    """校正图像倾斜角度，支持任意小角度倾斜与180度旋转"""
    # 转换为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 自适应二值化，适配不同光照的扫描件
    thresh = cv2.adaptiveThreshold(
        gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2
    )
    # 提取图像中最大的5个轮廓（优先取文本/表格区域）
    contours, _ = cv2.findContours(thresh, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
    contours = sorted(contours, key=cv2.contourArea, reverse=True)[:5]

    if not contours:
        return image

    # 计算轮廓的平均倾斜角度
    total_angle = 0
    for cnt in contours:
        rect = cv2.minAreaRect(cnt)
        rect_angle = rect[2]
        # 调整角度范围（minAreaRect返回的角度是-90到0，转换为0到90）
        if rect_angle < -45:
            rect_angle += 90
        total_angle += rect_angle

    avg_angle = total_angle / len(contours)

    # 处理180度旋转的特殊情况
    if abs(avg_angle - 180) < 10:
        rotate_angle = 180
    # 过滤微小角度波动，避免不必要的旋转
    elif abs(avg_angle) > angle_limit:
        rotate_angle = avg_angle
    else:
        rotate_angle = 0

    # 执行图像旋转
    h, w = image.shape[:2]
    center = (w // 2, h // 2)
    rotation_matrix = cv2.getRotationMatrix2D(center, rotate_angle, 1.0)
    corrected_image = cv2.warpAffine(
        image, rotation_matrix, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE
    )
    return corrected_image

# 初始化docTR OCR模型
ocr = ocr_predictor(pretrained=True)

# 加载PDF并逐页校正
pdf_pages = DocumentFile.from_pdf("my/path.pdf")
corrected_pages = []

for page in pdf_pages:
    # docTR返回的是RGB格式，转换为OpenCV支持的BGR格式
    page_bgr = cv2.cvtColor(page, cv2.COLOR_RGB2BGR)
    # 执行倾斜校正
    corrected_bgr = correct_skew(page_bgr)
    # 转回RGB格式供docTR处理
    corrected_rgb = cv2.cvtColor(corrected_bgr, cv2.COLOR_BGR2RGB)
    corrected_pages.append(corrected_rgb)

# 运行OCR并可视化结果
result = ocr(corrected_pages)
result.show(corrected_pages)

参数调整说明 #

• angle_limit：默认5度，若你的文档倾斜角度普遍更大，可适当调高（如10度），避免过滤有效倾斜角度
• 自适应阈值的参数（11,2）：可根据扫描件的清晰度调整，数值越大对光照变化的鲁棒性越强

适用场景 #

• 任意小角度倾斜的扫描件PDF
• 包含表格、纯文本的倾斜文档
• 180度倒置的扫描件

内容的提问来源于stack exchange，提问作者Paul