如何将deeplearning4j中MNIST训练的神经网络应用于大图像OCR识别

• 几何畸变校正：先通过轮廓检测定位实拍图中的纸面边界，识别四个角点后做透视变换，将倾斜、有拉伸变形的纸面区域拉成标准正矩形，再旋转修正整体倾斜角度，保证后续文本走向完全水平。
• 光照与噪点修正：先将图像转为单通道灰度图，通过自适应阈值算法完成二值化，分离手写笔画和纸面背景；用小核中值滤波过滤纸张纹理、摄像头成像带来的椒盐噪点，全程注意保留手写笔画的完整边缘，避免细笔画被磨断。特别需要匹配MNIST的样本特征：MNIST数据集为纯黑背景（像素值0）、白色手写数字（高像素值），二值化后必须保证背景统一为0值，手写笔画为高值，颠倒颜色会导致模型识别准确率暴跌。

• 粗筛有效文本区：对校正完成的整图做固定步长滑窗，计算每个滑窗内的像素梯度和，梯度值远高于纯纸面背景的滑窗即包含手写笔画，将连续的高梯度区域做合并，过滤掉纸面污渍、折痕、印章等孤立的非文本高梯度块，最终框出所有存在文本的连续区块。
• 行级拆分：对框出的连续文本区，做逐行水平投影计算——逐行统计该行内的二值化有效笔画像素总数，当统计值跌到和纯背景水平一致时，即为两行文字的间隙，按间隙位置把整段文本拆分为独立的手写行块，避免不同行的字符被合并到同一个处理单元。

• 单字符切分：拿到独立的手写行块后，做逐列垂直投影计算——逐列统计列内的二值化有效笔画像素总数，当列统计值跌到和纯背景水平一致时，即为两个相邻字符的间隙，按间隙位置把行块拆为单个字符的外接矩形。针对手写连笔导致的切块过宽问题，定位块内垂直投影的最低像素密度点做二次切分，避免两个相邻字符被绑定为一个块送入模型。
• 输入尺寸标准化：这里要避个常见的坑：切分得到的单字符块千万别直接粗暴拉伸到28×28尺寸，瘦长或者扁宽的字符被拉成正方形后形态完全变形，模型根本认不出来。正确操作是先将字符等比例缩放，让最长边占整体20像素尺寸，剩余空白区域用纯背景（0值）补齐为正方形，最后将正方形图块resize到28×28，保证字符重心位于图块正中心，和MNIST训练集的字符分布对齐。
• 逐块推理拼接：将所有处理好的28×28字符块按照“从上到下、每行从左到右”的自然阅读顺序排列，依次送入已完成训练的Deeplearning4j神经网络完成分类预测，按位置顺序拼接每个块的预测结果，即可得到整页手写内容的识别文本。

注意：当前训练的模型仅适配手写数字分类，若切分块为非数字字符，模型会输出错误预测结果，如需识别完整手写文本，需补充对应字符类别的训练样本优化模型。

内容的提问来源于stack exchange，提问作者Patriks