DocTR项目中图像旋转校正与边界框定位问题的技术分析

问题背景

在文档文本识别(DocTR)项目中，当处理旋转图像时，特别是那些宽度大于高度的图像经过90度或-90度旋转后，系统返回的边界框坐标会出现偏差。这个问题在使用straighten_pages=True参数时尤为明显，导致result.show()方法无法正确显示文本检测框。

问题现象

当输入一张宽度大于高度的图像，且该图像被旋转了90度或-90度时，DocTR的文本检测功能虽然能够识别文本内容，但返回的边界框坐标与实际文本位置不匹配。这种现象在可视化结果中表现为检测框偏离文本区域，严重影响后续的文本识别准确性。

技术原因分析

经过深入分析，发现问题出在图像旋转校正的处理逻辑上。当系统检测到需要旋转校正的图像时，特别是对于宽高比特殊的图像，当前的实现存在两个关键缺陷：

1. 图像扩展处理不完整：系统仅对宽度大于高度的图像进行扩展处理，而忽略了高度大于宽度的情况。这种不完整的处理导致在某些旋转情况下图像内容可能被裁剪。

2. 坐标转换不匹配：在图像旋转和扩展过程中，边界框坐标的转换没有与图像变换保持同步，导致坐标偏移。特别是在图像需要扩展以适应旋转的情况下，坐标转换逻辑未能正确考虑扩展带来的空间变化。

解决方案与改进

针对上述问题，开发团队已经提出了有效的解决方案：

1. 全面扩展处理：改进图像旋转前的预处理逻辑，无论原始图像的宽高比如何，都进行适当的扩展处理，确保旋转后不会丢失任何图像内容。

2. 坐标同步转换：完善坐标转换机制，确保边界框坐标能够准确跟随图像的旋转和扩展变换，保持与文本区域的一致性。

3. 自适应旋转校正：增强旋转校正算法，使其能够更好地处理各种角度和位置的文档，包括不在图像中心的文档。

实际应用建议

对于使用DocTR进行文档识别的开发者，建议：

1. 对于v0.9.0版本用户，可以暂时避免对特殊宽高比的图像使用straighten_pages=True参数，等待v0.9.1版本的发布。

2. 在拍摄文档时，尽量保持文档位于图像中心区域，并减少拍摄角度，以获得更好的识别效果。

3. 对于高级用户，可以考虑从项目的主分支构建最新版本，提前使用修复后的功能。

总结

DocTR作为强大的文档识别工具，在不断迭代中完善各项功能。这次发现的旋转校正与边界框定位问题，体现了项目团队对细节的关注和快速响应能力。通过这次改进，DocTR在处理各种旋转文档时将更加可靠，为开发者提供更精准的文本检测结果。