4. 影像预处理

保险理赔影像的来源极其分散：客户手机拍照、柜面扫描仪、医院自助机、交警系统导出、第三方公估上传。同一张发票，可能因为拍摄角度、光照、纸张折痕、传真底灰而呈现完全不同的质量。OCR 引擎再强，也无法在严重倾斜、噪点密集、对比度不足的影像上稳定输出字段。影像预处理不是"美化图片"，而是把不可控的原始影像，转换为 OCR 与结构化模型可稳定消费的标准化输入。本节围绕去噪、二值化、倾斜校正、裁剪与增强五个环节，讲清原理、参数与保险场景中的取舍。

一、核心原理：预处理是在为 OCR 降低"决策熵"

OCR 的本质是在像素分布上做字符分类。噪声、阴影、倾斜、多余背景都会增加分类器需要处理的变量。预处理的目标是：保留字符笔画的有效高频信息，同时抑制与文字无关的低频干扰和随机噪点。五个环节各自解决一类问题：

• 去噪：抑制椒盐噪声、压缩伪影、纸张纹理，避免笔画断裂或伪笔画。
• 二值化：把灰度图转为黑白图，让文字与背景分离，降低后续处理复杂度。
• 倾斜校正：把旋转的文本行拉回水平，保证行切分和字符切分正确。
• 裁剪：去除无关边框、手指、桌面背景，减少 OCR 的无效搜索区域。
• 增强：提升对比度、锐化笔画、修复断裂，改善低质量影像的可读性。

二、方法流程与关键参数

下面给出一条可直接落地的处理流水线，适用于发票、病历、事故认定书等常见理赔单证。

输入：原始影像 raw.jpg
1. 灰度化：cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
2. 去噪：cv2.fastNlMeansDenoising(gray, h=10, templateWindowSize=7, searchWindowSize=21)
3. 倾斜校正：霍夫变换检测直线，计算中位角度，仿射旋转
4. 裁剪：基于轮廓/投影的 ROI 提取，保留文字区域
5. 增强：CLAHE 限制对比度自适应直方图均衡，clipLimit=2.0, tileGridSize=(8,8)
6. 二值化：cv2.adaptiveThreshold(..., cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 10)
输出：preprocessed.png

参数选择需要结合影像来源。手机拍照的发票，噪声以光照不均为主，去噪强度不宜过大，否则细笔画会糊；扫描仪影像噪声低，但可能有压缩块效应，适合轻度中值滤波。二值化窗口 blockSize 建议取 25～45 之间的奇数，过小会把纸张纹理当文字，过大则丢失小字号字段。

三、保险场景案例：医疗发票与事故认定书

案例一：手机拍摄的医疗发票。客户在光线不足的医院走廊拍照，发票整体偏暗，右侧有阴影，纸张有轻微旋转。处理策略：先做 CLAHE 增强提升暗部细节，再用霍夫变换检测发票边框直线，计算倾斜角约 3.2°，仿射旋转校正；随后用轮廓检测裁剪出发票区域，去除桌面背景；最后自适应二值化。OCR 对"金额""日期""发票号"的识别率从 72% 提升到 94%。

案例二：传真件事故认定书。传真件底灰严重，文字边缘模糊，存在椒盐噪声。处理策略：先中值滤波去椒盐，再用非局部均值去噪平滑底灰；由于传真件本身可能倾斜，用投影法统计水平投影，找到文本行峰值后计算角度；增强阶段使用锐化卷积核强化笔画；二值化采用较大 blockSize 避免底灰被误判为文字。最终字段抽取准确率提升约 18 个百分点。

四、误区与复盘：预处理不是越"干净"越好

复盘时建议关注三类问题：

1. 参数一刀切：不同来源影像用同一套参数，导致手机拍照过处理、扫描件欠处理。应按来源分桶，分别配置参数。
2. 顺序错误：先二值化再倾斜校正，投影法失效；先裁剪再校正，文字被切。应遵循"去噪→校正→裁剪→增强→二值化"的稳健顺序。
3. 缺少质量评估：预处理后没有质量打分，无法判断是否该走人工复核。建议增加清晰度、倾斜角、对比度三个指标，低于阈值直接转人工。

总结来说，去噪、二值化、倾斜校正、裁剪与增强是保险影像进入 OCR 前的"标准化车间"。理解每个环节解决什么问题、参数如何随场景变化、哪些元素必须保留，才能让后续的字段抽取和理赔结构化建立在可靠输入之上。