是否有可能改进高精度本地 OCR针对多行文本块的处理逻辑 #2117
Description
Question 问题
提出背景：
相比 Hook，本地OCR几乎适用一切包括dlsite的游戏、零成本、使用方便。高精度模型相比以前可用性也大大增加。改进价值高。
目前的问题在于：
OCR 引擎经常会将横跨若干行的文本段落作为一整个“文字块”返回。此时一旦出现划分问题，例如一段文字被切分成若干个块（见下图右上角us are，右下角the）
必须要找到每个块对应行的内容拼在一起才行。然而文本块只有框坐标和整段文字，无法得知内部某一行文字具体对应哪一部分，且代码中后续的所有算法修正，包括块合并，行内左右，行间上下排序，本质上都是以 OCR 按“单行/单列”返回内容为前提的，从而必然导致文本“错行”（如果每个块都横跨多行的话错误会更加严重）：
后续的大模型翻译能方便地纠正拼写错误，但不好处理严重的语序/结构错误。
可能的解决思路/建议：
- OCR 参数开放：ocr本身的参数是否能调节此问题？能的话是否可以将这些参数设为用户可调？
- 二次拆分识别：对于均匀分布、标准排版的文本，增加一个“单行宽度/横款比”的变量（用户自行设定或者配合程序标定），当 OCR 返回大宽度的文本块时，根据该参数将其拆分成行并重新送入 OCR 再次识别？不过运算量爆炸
2.1 预处理分行：或者预处理时聚类、二值化算水平投影之类的直接在送入 OCR 前进行分行？
还有没有靠谱的思路，感觉这个解决了基本上本地ocr可以完全满足需求
感谢佬的辛勤付出，翻译器功能的完善程度真得远超我的想象