多语种 OCR 系统由哪些核心模块组成？

1. 图像预处理模块

负责对输入图像进行质量增强与几何校正，包括去噪、二值化、倾斜矫正、透视畸变修正、自动裁边等。针对低质量扫描件、手机拍照、复杂光照等场景，预处理模块能够显著提升后续检测与识别的稳定性。部分系统还集成文档方向判断与自动旋转纠正能力，处理横向、竖向乃至翻转的文字图像。

2. 文字检测模块

负责从整幅图像中定位文字区域并输出文本框坐标，是多语种 OCR 的入口环节。该模块需要适配不同书写方向（横排、竖排、从右到左）与不同形态（印刷体、手写体、连体字），并处理密集文字、小字、模糊字等困难场景。

3. 文字识别模块

负责将检测出的文字区域转换为字符序列，是多语种 OCR 的核心环节。该模块通常按语种或书写系统分组配置模型，例如拉丁语系、CJK（中日韩）语系、阿拉伯语系分别采用针对性训练的识别模型，以适配各自的字形特征与连写规则。

4. 版面分析与结构化输出模块

负责对识别结果进行版面还原与结构化组织，识别标题、段落、表格、公式、图注等文档元素，并输出带坐标、带置信度的结构化结果（如 Markdown、JSON 格式）。该模块决定了 OCR 结果能否直接用于 RAG 检索、智能体处理等下游任务。