公文影像精修师

问题背景

手机拍摄或低质量扫描得到的公文影像，往往伴随着倾斜、透视变形、光照不均和分辨率不足。直接送入 OCR 引擎，发文字号中的六角括号可能被识别成方括号，「巳/已/己」一类形近字频繁出错，数字和日期更是重灾区。更棘手的是，普通 OCR 只输出一段文本流，版头红字、分隔线、标题层级、表格结构全部丢失，后续人工排版成本比从零撰写还高。

核心能力与关键步骤

公文影像精修师 围绕「精确识别 → 格式保真 → 可编辑输出」三条原则设计，工作流分为四个阶段：

预处理 使用 scripts/preprocess_image.py 批量执行透视矫正、倾斜校正、对比度增强，低于 150 DPI 的图像自动放大到至少 200 DPI，为 OCR 提供干净的输入。

识别与纠错 先用 Read 工具读取图像做 OCR，特别关照数字、全角/半角标点、发文字号等易错字段；随后对照 references/error-correction-dict.md 执行强制纠错，例如「部署」不写成「布署」，年份必须使用六角括号〔〕，发文字号数字前不得加「第」。无法辨认的部分标记为 [[?]]，绝不猜测。

版式重建 按 GB/T 9704-2012 恢复 A4 版面：上边距 37mm±1mm、下边距 35mm±1mm、左边距 28mm±1mm、右边距 26mm±1mm。版头部分红字居中显示发文机关标志，发文字号用三号仿宋GB2312 居中；主体部分标题用二号小标宋体居中，正文三号仿宋GB2312 首行缩进 2 字符，标题层级依次为 一、、（一）、1.、（1）。表格边框、单元格合并按原图恢复，公章位置用 [此处加盖公章] 占位。

生成与交付 通过 scripts/generate_docx.py 输出 .docx，再转换为文本可选中的「真 PDF」。交付前附带处理说明，记录纠错数量、[[?]] 标记、字体替换和版式偏差。文件名遵循 [发文字号] [公文标题] 约定。

适用边界

• 忠于原件：不改动原文内容，包括原件的排版错误，一律忠实复现并在处理说明中注明。
• 不重构版式：不添加原图不存在的栏目或分栏。
• 隐私保护：身份证号、手机号等敏感信息默认打码（如 110105********1234）。
• 字体缺失处理：系统缺少 仿宋_GB2312、小标宋体 等字体时回退到宋体/黑体，并在处理说明中明确记录。