Python+OpenCV实现OCR光斑模拟数据增强

1. 项目背景与核心价值

在OCR（光学字符识别）领域，数据质量直接影响模型性能。真实场景中，光照条件复杂多变，光斑（light flare）是常见干扰因素之一。传统数据增强方法如旋转、缩放无法有效模拟这种光学现象，导致模型在真实场景表现不佳。

我曾在银行票据识别项目中遇到这个问题——实验室准确率98%的模型，在强光照射的柜台环境中识别率骤降至72%。后来通过光斑模拟增强训练数据，最终将实战准确率提升到89%。这个项目就是分享如何用Python+OpenCV实现专业级光斑模拟。

2. 光学原理与关键技术拆解

2.1 光斑的物理成因

光斑本质是光线在镜头内部的反射和散射现象，主要呈现三种形态：

1. 镜面反射型：高亮度圆形/多边形光点（由镜头光圈形状决定）
2. 散射型：模糊的雾状光晕
3. 条纹型：直线状光带（镜片边缘反射导致）

2.2 OpenCV实现方案选型

通过对比实验，最终采用多图层混合方案：

python复制def add_flare(img):
    # 基础图层：原始图像
    base = img.copy()  
    
    # 光斑图层：高斯模糊+亮度调节
    flare = create_flare_kernel(img.shape) 
    
    # 混合图层：线性减淡模式
    blended = cv2.addWeighted(base, 0.7, flare, 0.3, 0)
    return blended

注意：直接使用cv2.add()会导致过曝，线性减淡能更好模拟光学叠加效果

3. 核心实现步骤详解

3.1 基础光斑生成

python复制def create_flare_kernel(shape, intensity=0.8):
    # 创建空白画布
    kernel = np.zeros(shape, dtype=np.float32)
    
    # 随机生成光斑位置
    center = (np.random.randint(shape[1]), np.random.randint(shape[0]))
    
    # 绘制多边形光斑（模拟光圈叶片）
    pt