档案数字化开发实例手记：盖章遮挡文字识别恢复

一、问题定义：红章之下，文字还在吗？

档案里的印章几乎无处不在：公文红头章、合同骑缝章、证明文件公章、签发页印章……印章经常恰好盖在正文文字上。这带来两个问题：

1. 视觉遮挡：印章是红色（或紫、蓝），压在黑色文字上，两者颜色分离，但二值化后章和字糊在一起；
2. OCR 误判：印章区域被检测为"红色文本"，或把章影当文字、把字当章影，识别结果一团糟。

客户不会因为盖章就不要求识别——他们问的就是"这段被章盖住的字到底写了什么"。这篇讲讲我们评估过的三条技术路线，以及为什么最终选了"部分放弃"。

二、路线一：颜色通道分离（最朴素、最有效的前提步骤）

思路：印章是红色，正文是黑色（或深蓝）。RGB 通道上，红章在 R 通道高、G/B 低；黑字三个通道都低。只要按颜色分离，就能把章"去掉"再识别。

import cv2
import numpy as np

def separate_red_seal(img_bgr):
    """分离出红色印章区域"""
    b, g, r = cv2.split(img_bgr)
    # 红色判定：R 明显高于 G 和 B
    red_mask = (r.astype(int) - g.astype(int) > 40) & \
               (r.astype(int) - b.astype(int) > 40) & \
               (r > 100)
    # 黑色文字：三个通道都低
    dark_mask = (r < 100) & (g < 100) & (b < 100)
    # 去掉红色后的"正文图"：把红章区域置为白
    img_no_seal = img_bgr.copy()
    img_no_seal[red_mask] = (255, 255, 255)
    # 只保留深色文字的"文字图"
    text_only = np.zeros_like(img_bgr)
    text_only[dark_mask] = (255, 255, 255)
    return img_no_seal, red_mask, dark_mask

优点：简单、快、不依赖模型，能解决 60%~70% 的"章字分离"问题——只要印章和正文颜色可区分。
问题：

• 深色印章（蓝色、紫色、黑色印章）：颜色通道分不开，直接失效；
• 红色和文字重叠区域：黑色文字被红章压住的部分，像素是"红黑混合"，既不是纯红也不是纯黑，两个 mask 都抓不到，成了"灰度区"；
• 扫描仪颜色偏差、纸张发黄时阈值要调。

三、路线二：章区域检测 + inpaint 重建被遮挡文字

思路：先定位印章区域，然后把"红黑混合区"视为缺失，用 inpaint 根据周围文字笔画重建。

def restore_text_under_seal(img, red_mask):
    """尝试重建被印章遮挡的文字"""
    # 1. 膨胀印章区域，把边缘混合像素也包进来
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
    seal_area = cv2.dilate(red_mask.astype(np.uint8), kernel)
    # 2. 印章区域内"既非纯红也非纯黑"的像素 = 遮挡区
    b, g, r = cv2.split(img)
    dark = (r < 100) & (g < 100) & (b < 100)
    mixed = seal_area.astype(bool) & ~dark
    # 3. 用周围内容 inpaint 重建
    mask = mixed.astype(np.uint8) * 255
    restored = cv2.inpaint(img, mask, 5, cv2.INPAINT_TELEA)
    return restored

评估结果：在文字笔画轮廓清晰的印章上有效，但大面积深色印章下方几乎重建不出原文——inpaint 是"猜"，猜出来的笔画常常是错的，甚至"补"出本来不存在的字。对档案这种"内容必须真实"的场景，猜出来的文字是绝对不能用的。

四、路线三：光学原理 + 深度学习（我们最终的生产方案）

最终方案不是"完美重建被遮挡文字"，而是分层处理 + 明确告诉客户哪里识别不了：

第一层：能分离的先分离。 颜色通道分离（路线一）解决 60%~70%。

第二层：印章本身也要识别。 印章内容（单位名称、日期、编号）本身就是档案信息的一部分，我们用"印章识别模型"（圆形/椭圆印章的弧形文字展开识别）把章的内容单独提出来——章是信息不是噪声。

第三层：遮挡区标记 + 人工补录。 对真正的"文字被章完全盖住、无法可靠识别"的区域：

• 不做盲目重建；
• 在识别结果里标记 [印章遮挡，待人工补录]；
• 系统自动把该区域加入"人工复核队列"，档案员对照原件录入。

这样做的理由，也是我们想对所有做档案系统的团队说的：

档案数字化的第一原则是"真实"，不是"完整"。 宁可明确标注"此处无法自动识别"，也不允许 OCR 或图像处理"猜"出一个可能错误的字混入数据。一个错字进入档案检索库，比十个"待补录"标记危害大得多。

五、实测数据（500 页含章档案）

方案	遮挡区可读率	错误补字率	处理耗时
仅颜色分离	61%	0%（不处理遮挡区）	60ms
颜色分离 + inpaint 重建	78%	11%（补错字）	520ms
分层方案（分离+章识别+人工标记）	76%	0%（不猜字）	300ms

结论：inpaint 把可读率从 61% 提到 78%，但代价是 11% 的错误补字率——这个代价在档案场景不可接受。分层方案的"可读率 76%"（分离 + 章识别补充）+ "零错误补字"的组合，才是生产可用的。

六、给读者的一句话

如果你在做档案数字化系统，遇到盖章遮挡：

1. 先做颜色分离——这是性价比最高的一步；
2. 把印章当作信息去识别，不要只当噪声去掉；
3. 被完全遮挡的区域，标记待人工补录，绝不自动生成；
4. 向客户说清楚"哪些能自动、哪些需要人工"，这是专业团队和"万能宣传"团队的差别。

七、小结

• 颜色通道分离解决六成问题，成本最低；
• inpaint 重建在档案场景是"毒药"——11% 的错误补字率不可接受；
• 生产方案 = 分层处理 + 章识别 + 人工补录标记，真实优先于完整。