《Frontiers in Signal Processing》：Optical character recognition based document image quality assessment
编辑推荐：
本文介绍了一项针对文档图像质量评估（Document Image Quality Assessment, DIQA）的创新研究。为解决低质量文档图像导致光学字符识别（Optical Character Recognition, OCR）性能下降的问题，研究人员开发了一种目标导向的DIQA模型。该模型从图像中提取12个与清晰度、对焦和几何失真相关的关键特征，并利用PaddleOCR和Keras OCR引擎产生的真实准确率作为标签，训练机器学习模型来预测OCR准确率，而无需实际执行OCR。实验表明，使用XGBoost回归器结合Keras OCR标签取得了最佳预测性能（PCC=0.9139，SROCC=0.9193）。这项研究的意义在于，它能够提前筛选出不适合OCR处理的低质量图像，从而优化文档数字化流程，节省处理时间并提高整体识别效率。
在数字化浪潮席卷全球的今天，将纸质文档转化为可编辑、可检索的电子文本已成为一项基础而关键的任务。这项任务的核心技术是光学字符识别（Optical Character Recognition, OCR），它如同一位不知疲倦的“数字抄写员”，试图从图片中“读懂”文字。然而，这位“抄写员”的发挥并不稳定，其表现极大地依赖于“阅读材料”——即文档图像本身的质量。现实中，用手机随手拍摄的文件照片常常面临各种挑战：光线昏暗造成对比度模糊，手部抖动带来运动残影，对焦不准导致文字边缘软化，还有角度倾斜引起的几何变形。这些“带病上岗”的图像输入OCR系统后，轻则识别错误百出，重则完全无法工作，严重拖累了文档数字化的效率和可靠性。
一个自然的想法是：能否在将图像喂给OCR“抄写员”之前，先判断一下这份“材料”它能不能“读”好？或者说，我们能否不实际运行耗时的OCR过程，就提前预测出它对某张文档图像的识别准确率？这正是文档图像质量评估（Document Image Quality Assessment, DIQA）领域致力于解决的核心问题。传统的图像质量评估（Image Quality Assessment, IQA）模型，如BRISQUE、NIQE、FRIQUEE等，主要评判图像在“人眼看来”的好坏，但“看起来好”的图像对OCR未必友好，反之亦然。文中举例，一些视觉质量评分很低的图像，其OCR识别准确率却可能高达95%。这凸显了开发一种以OCR性能为目标导向的DIQA方法的紧迫性。
为此，研究人员在《Frontiers in Signal Processing》上发表了一项研究，旨在构建一个能够预测OCR准确率的DIQA模型，从而在OCR流程前端设置一道“质量关卡”，自动滤除低质量图像，指引用户重新拍摄或扫描，从源头保障数字化流程的顺畅与准确。
本研究主要采用了几个关键技术方法：首先，特征工程：从每张文档图像中手工提取了12个关键特征，涵盖十大对焦度量（如Tenengrad、Brenner‘s Measure）、一个锐度度量以及一个用于评估文档倾斜的几何失真度量。其次，基于OCR的真实标签生成：摒弃主观人工评分，采用两种先进的OCR引擎（PaddleOCR和Keras OCR）对图像进行实际识别，并通过计算识别结果与真实文本之间的莱文斯坦距离（Levenshtein Distance）来生成客观的OCR准确率分数，以此作为模型训练的“地面真实”标签。最后，机器学习模型训练与评估：使用提取的特征和OCR准确率标签，训练并比较了五种回归模型（Lasso、Ridge、支持向量回归SVR、随机森林和XGBoost）的性能，并采用均方根误差（RMSE）、皮尔逊相关系数（PCC）、斯皮尔曼等级相关系数（SROCC）等统计指标进行评估。实验基于公开的SmartDoc-QA数据集（含2130张具有多种真实扭曲的图像）和自建的私有数据集展开。
研究结果
1. 不同OCR标签来源下的模型性能比较
研究系统地比较了使用不同OCR引擎产生的准确率作为标签时，各预测模型的性能。
- •
以传统OCR（Tesseract/ABBYY FineReader）为标签：XGBoost和随机森林表现最佳，PCC分别达到0.8533和0.8540，但斯皮尔曼等级相关系数（SROCC）略低于已有的注意力循环神经网络模型。
- •
以现代OCR（PaddleOCR/Keras OCR）为标签：当使用PaddleOCR标签时，随机森林和XGBoost的PCC约为0.78。而当使用Keras OCR的准确率作为标签时，XGBoost回归器取得了最佳性能，其PCC高达0.9139，SROCC为0.9193，均方根误差（RMSE）低至0.0684，显著优于其他模型配置和作为对比的现有NR-IQA模型（BRISQUE, NIQE等）。
2. 在私有数据集上的泛化能力验证
为了检验模型的实用性和泛化性，研究人员使用Redmi 10手机在受控室内光线下，创建了一个包含100张图像（20份文档，每份5种拍摄条件）的私有数据集。在该数据集上测试，使用Keras OCR标签训练的XGBoost模型依然表现稳定，PCC达到0.7613，预测值与真实值的平均误差很小。虽然性能因训练数据量较小而略低于在大型公开数据集上的结果，但证明了模型对未知真实场景图像的有效性。
3. 特征贡献度分析（Ablation Study）
通过剔除不同特征组（如基于梯度的特征、Tenengrad家族特征等）进行消融实验，并利用SHapley Additive exPlanations（SHAP）分析，证实了所提取的12个特征对模型预测均有贡献。其中，梯度能量（Gradient_Energy）、倾斜角（skew_angle）和差值中值滤波（Differences of Median filtered image, DOM）等特征对模型输出的影响最为显著。统计检验表明，完整特征集的模型性能显著优于缺失关键特征组的模型。
研究结论与意义
本研究成功开发并验证了一种基于机器学习、以OCR性能为导向的文档图像质量评估（DIQA）方法。其主要结论是：通过从文档图像中提取一组精心设计的、与清晰度、对焦和几何属性相关的特征，并利用现代OCR引擎（特别是Keras OCR）产生的真实准确率作为监督信号，可以训练出高效的机器学习模型（尤其是XGBoost），在没有参考图像且不实际运行OCR的情况下，高精度地预测文档图像的OCR识别准确率。
这项研究的意义在于其鲜明的目标导向性和实用性。它跳出了传统IQA仅关注视觉保真的框架，将质量评估直接锚定在最终任务（字符识别）的性能上。所提出的DIQA系统可以作为文档数字化流水线中的一个智能预过滤器，自动识别并拒绝对OCR不友好的低质量图像，从而避免将时间浪费在注定会产出低劣结果的OCR处理上，并即时提示用户重新采集图像。这不仅能够提升整个OCR流程的效率和输出质量，减少后期人工纠错成本，也为在移动设备、扫描仪等终端实现实时文档质量反馈提供了可能。尽管现有方法已取得良好效果，未来通过引入更丰富的特征、结合深度学习技术或探索更具一般性的模型，有望进一步推动DIQA领域的发展，打造更智能、更鲁棒的文档处理系统。
