manga-image-translator项目中OCR气泡合并问题的分析与解决方案

问题背景

在漫画翻译工具manga-image-translator的实际应用中，开发者发现了一个关于OCR文字识别的重要问题：当漫画中的对话气泡相互接触或距离过近时，OCR引擎可能会错误地将它们合并识别为一个整体。这种情况在竖排文字中尤为明显，会导致后续翻译处理出现错误。

问题分析

通过实际案例观察，相连气泡被合并的问题主要源于文本行合并(textline_merge)算法中的参数设置。该算法默认配置可能过于宽松，导致在以下情况下会将相邻气泡误判为同一文本区域：

1. 气泡间距小于设定的阈值
2. 气泡角度差异较小(小于0.1π弧度)

这种设计初衷是为了处理同一气泡内多行文本的情况，但在处理实际漫画中相邻但独立的气泡时会产生误判。

解决方案

经过技术验证，可以通过调整以下关键参数来解决气泡错误合并的问题：

1. sigma参数：控制气泡间距的基础阈值
2. gamma参数：作为间距阈值的乘数因子
3. 角度阈值：当前硬编码为0.1π(约18度)

具体调整建议：

• 减小sigma值可降低基础间距阈值
• 减小gamma值可缩小允许合并的间距范围
• 对于竖排文字，这些调整效果尤为显著

技术实现细节

在代码层面，合并判断逻辑主要基于以下条件：

if bboxes[connected_region_indices[0]].distance(bboxes[connected_region_indices[1]]) < (1 + gamma) * fs \
    and abs(bboxes[connected_region_indices[0]].angle - bboxes[connected_region_indices[1]].angle) < 0.1 * np.pi:
    return [set(connected_region_indices)]
else:
    return [set([connected_region_indices[0]]), set([connected_region_indices[1]])]

其中：

• distance()计算两个文本框之间的距离
• fs是由sigma参数决定的基准值
• 角度差异阈值固定为0.1π弧度

实践建议

对于不同类型的漫画，建议采用不同的参数组合：

1. 密集气泡布局：使用较小的sigma和gamma值(如0.1-0.3)
2. 宽松布局：可适当增大参数值
3. 混合排版：考虑根据文字方向(横排/竖排)动态调整参数

此外，对于专业用户，可以考虑将角度阈值也作为可配置参数，以应对不同漫画风格的需求。

总结

manga-image-translator项目中的OCR气泡合并问题展示了实际应用中算法调参的重要性。通过理解文本行合并的核心逻辑并合理调整关键参数，可以有效解决相连气泡被错误合并的问题。这一案例也提醒我们，在开发通用图像处理工具时，提供足够的参数调节空间对于适应不同应用场景至关重要。