长图文字识别超限？分割识别与后处理全流程实践

一、问题背景：长图识别为什么会失败

在知识管理场景里，我们经常想把社交平台上的长文保存成结构化笔记，但很多内容以“长图”形式存在：一张高度动辄数千甚至上万像素的拼接图。把这类图直接丢给识别工具或大模型，常见的反馈是“图片尺寸过大，无法处理”；即使勉强通过，提取出的文字也常常缺行漏段、支离破碎。

失败的原因主要有三类：

1. 输入维度限制。多数识别引擎对单张图片的宽度、高度、宽高比或文件体积设有上限，超出即被拒绝。
2. 等比缩放的副作用。为了满足限制而把长图整体缩小，文字的有效像素随之骤降，小字号最先“糊”掉，识别率显著下滑。
3. 视觉大模型的分辨率约束。视觉模型通常按固定分辨率对图像切块采样，超长图要么被压缩到文字不可读，要么中间部分被截断，抽取结果自然不完整。

因此，解决这个问题的正确姿势不是“找一个更强的识别器”，而是分而治之：把一张超限长图切分成若干张规格正常的小图，逐块识别，再按序拼接，最后用文本后处理完成校对与排版。

二、总体方案：一条五步流水线

整条链路可以概括为：预处理 → 分割 → 批量识别 → 顺序拼接 → 智能校对与排版。

长图原图
  │ ① 预处理（倾斜矫正、对比度增强）
  ▼
规格正常的小图 × N
  │ ② 批量OCR → 文本块 × N
  ▼
按文件名顺序拼接 → 完整文本
  │ ③ 大模型校对（修复英文粘连、错字）
  │ ④ 格式整理（空行、缩进、断句）
  ▼
干净的文档 → 知识库 / 大模型参考资料

下面逐步展开每个环节的技术要点。

三、第一步：图像预处理，为识别打底

预处理的目标是让每一块小图都处于“最佳识别状态”，常见动作包括：

1. 倾斜矫正（deskew）。拼接或截图来源的图常有轻微倾斜，哪怕只有一两度，也会让按行切分的识别器输出错行。可先检测文本行角度，再反向旋转回正。
2. 对比度与清晰度增强。背景发灰、文字发虚的图，先做对比度拉伸；低分辨率图必要时放大，通行的经验是让正文行高不低于约20像素，否则识别器很难稳定切出字符。
3. 色彩统一。彩色背景图可转灰度甚至二值化，减少背景纹理对印刷体识别的干扰。
4. 边缘裁剪。去掉与正文无关的头尾装饰区、水印区，减少无效内容混入识别结果。

这一步看似琐碎，却直接决定后续所有环节的精度上限：垃圾进，垃圾出。

四、第二步：长图分割，关键是切割线怎么选

分割不是简单的“均分”，有三个要点：

1. 分割粒度。块太大仍会超限，块太小则拼接误差与调用量同时上升。稳妥的做法是先确定目标块高度（例如2000～4000像素之间，视所用识别引擎的限制而定），再反推需要切成几块。
2. 切割线尽量落在“空白行”上。如果切割线从文字行中间穿过，半行字会同时损伤前后两块的识别率。一些看图工具的“图片分割”功能支持先设定块数、再手动微调边界——此时应优先把切割线拖到段落之间的空隙处。写脚本自动分割时，也可以逐行统计像素行的“暗像素占比”，占比接近零的行就是天然的安全切割线。
3. 保留重叠区（overlap）。相邻两块之间保留几十像素（例如40～80像素）的重叠，确保边界处文字不会因切分而丢失；代价是拼接时需要去重，后文会专门处理。

分割完成后按序命名（如 block_001、block_002……），导出到统一文件夹，为批量识别做好准备。下面是一段示意性伪代码：

def split_long_image(img, target_height=3000, overlap=60):
    """按目标高度切分长图，相邻块保留重叠区，避免边界文字丢失。"""
    w, h = img.size
    blocks, top = [], 0
    while top < h:
        bottom = min(top + target_height, h)
        blocks.append(img.crop((0, top, w, bottom)))
        if bottom == h:
            break
        top = bottom - overlap   # 回退overlap像素，形成重叠区
    # 按序保存：block_001.png, block_002.png, ...
    return blocks

如果想在文字行边界自动选线，只需在切割前对 top 附近上下搜索最近的“空白行”再下刀，逻辑相同，只是切割点更讲究。

五、第三步：批量识别，别一块一块手动来

分块之后，逐张手动识别非常低效，应尽量使用批量能力：

1. 本地工具批量。支持批量的看图/识别工具通常提供“全选图片—批量提取文字”入口，一次跑完整个文件夹。
2. 云端通用文字识别。以百度智能云为代表的云平台普遍提供文字识别（OCR）类通用能力，适合把批量识别脚本化：读图、调用识别、保存文本、记录置信度，一条流水线跑完。
3. 顺序保证。无论哪种方式，都要确保结果按 block_001 → block_N 的顺序归档，命名即顺序，避免后续拼接时乱序。
4. 置信度复核。识别结果通常附带置信度，对明显偏低的块单独标记，人工复核或重跑，比整体重跑高效得多。

批量识别相比“一次识别整张长图”确实多花一些时间，但收益明确：每一块都落在识别引擎的最优工作区间内；单块失败可以单独重试，不会牵一发动全身。

六、第四步：按序拼接，处理重叠区去重

把所有文本块按顺序合并时，最大的坑是重叠区导致的重复内容：上一块的结尾几行，会在下一块的开头再次出现。去重思路很简单——比较相邻两块的边界文本，找到重复部分后只保留一份：

def merge_blocks(texts, probe_lines=3):
    """按序拼接文本块，去掉重叠区造成的重复行。"""
    merged = texts[0]
    for cur in texts[1:]:
        tail = last_lines(merged, probe_lines)      # 已合并文本的结尾
        head = first_lines(cur, probe_lines)        # 当前块的开头
        dup = longest_common_lines(tail, head)      # 两者的重叠部分
        merged += drop_first_lines(cur, len(dup))
    return merged

工程上还可以加两道保险：拼接后全文搜索“连续重复的段落”做二次去重；把块号写进日志，方便回溯某个可疑片段来自哪一块。

七、第五步：智能校对与格式整理，让文本真正“能读”

即使识别全部成功，原始输出往往仍不理想，典型问题有三类：

1. 中英混排粘连。中文识别对英文分词不敏感，容易出现“themodel”这类单词粘连，阅读体验很差。
2. 排版噪声。多余空行、异常首行缩进、被硬换行拆断的句子。
3. 标点与全半角混杂。中英文标点混用、数字与单位粘连等。

这些问题用规则脚本很难穷举，交给大模型做文本后处理是当前性价比最高的做法。两段实用的提示词：

校对修复：

修复文档中的英文拼写与分词错误，确保英文单词之间以空格分隔；
不要改写、增删中文内容，保持原有段落顺序，输出修复后的全文。

格式整理：

对文档做通用排版整理：删除多余空行，统一首行缩进为两个全角空格，
合并被错误换行拆断的句子；不得改动文字内容本身，输出整理后的全文。

使用时注意三点：其一，提示词里必须显式声明“不改变内容本身”，否则模型可能顺手润色改写，引入与原文不符的表述；其二，重要文本要保留OCR原始输出作对照，校对后做一次差异抽查；其三，长文可以分段投喂，避免超出上下文限制。

八、质量校验与常见坑清单

交付前建议做一次抽样校验：随机选取若干段落与原图人工比对，重点看数字、英文专有名词和标点。以下是整条流水线上最容易踩的坑：

1. 切割线穿过文字行 → 边界乱码、漏字。对策：空白行切割 + 重叠区兜底。
2. 为省事把图缩得太小 → 小字号整段丢失。对策：控制单块尺寸，宁可多切几块，也不要压缩分辨率。
3. 重叠区没有去重 → 结果里出现重复段落。对策：边界比对 + 全文二次去重。
4. 直接把长图丢给视觉大模型 → 图被压缩采样，提取支离破碎。对策：先分割再识别，把“识别”和“理解”两个任务分开。
5. 大模型校对时被改写 → 内容失真。对策：提示词约束 + 原文留档 + 差异抽查。

九、写在最后

回顾整条方案：预处理打底、分而治之、批量识别、按序拼接、智能校对排版。它的价值不只在于“识别一张长图”——面对超限文档、超大图片时，这套思路同样适用：先拆成引擎能稳定处理的单元，逐个击破，再在文本层面做整合与修复。

最后强调一个观念：识别的终点不是“导出一个文档”，而是得到一份干净、可检索、可复用的结构化文本。整理完成后归档进知识库，无论是日后检索，还是作为大模型的参考资料，这张“长图”里的信息才算真正沉淀了下来。