透视变换

概述

透视变换（Perspective Transform）是一种几何变换技术，将倾斜或不规则四边形区域矫正为规则矩形，是 OCR 流水线中文字矫正的关键步骤。

关键内容

在 OCR 流水线中的作用

在 PaddleOCR 的 OCR 流程中，DBNet++ 检测到的文字区域是多边形（通常是四边形），因为文字行可能稍有倾斜（扫描件常见）。透视变换将这些多边形区域矫正为水平的矩形图像，便于后续的 SVTR 识别。

工作原理

检测到的文字多边形 → 计算目标矩形的宽高 → 透视变换矩阵 → 矫正后的矩形图像

具体步骤： 1. 获取文字多边形的 4 个顶点（左上、右上、右下、左下顺序） 2. 计算目标矩形的宽高（取多边形对边的最大长度） 3. 构建目标矩形的 4 个顶点坐标 4. 计算透视变换矩阵 M（getPerspectiveTransform） 5. 应用透视变换（warpPerspective），输出矫正后的矩形图像

为什么需要透视变换？

倾斜文字行：扫描件中的文字行往往不是完全水平的
多边形精度：DBNet++ 输出的多边形框比矩形框更精确地框定文字区域
识别模型要求：SVTR 等识别模型需要固定高度的矩形输入（48px）

在 MinerU 中的应用

在 MinerU 的 OCR 管道中，透视变换是连接文字检测和文字识别的桥梁。它确保无论原始文字区域如何倾斜，都能输出标准化的矩形图像供识别模型使用。

来源

raw/assets/MinerU/minerU_04_ocr.md — MinerU 深度解析系列 · 第四篇：OCR 引擎