iOS如何用Vision Framework实现OCR文字识别？支持多语言文字提取与坐标定位完整教程

Vision Framework是苹果在iOS 11中引入的计算机视觉框架，从iOS 13开始加入了强大的文字识别能力（OCR）。借助VNRecognizeTextRequest，开发者可以直接在本地完成图片文字识别，无需联网，也无需引入任何第三方SDK。更重要的是，Vision不仅返回识别出的文字内容，还会返回每段文字在图片中的精确坐标，这为内容提取、翻译标注、证件信息读取等场景提供了极大便利。本文将从基础API讲起，逐步实现一个支持多语言识别并提取文字坐标的完整方案。

一、Vision OCR的核心API与基本用法

实现文字识别的核心类是VNRecognizeTextRequest，它会分析输入的图片，返回一组VNRecognizedTextObservation对象。每个observation对应图片中的一行文字，其中包含了候选识别结果和该行文字的位置信息。

最基础的调用方式如下，将图片交给VNImageRequestHandler处理即可。整个过程在本地完成，识别速度取决于图片大小和识别模式，一般一张普通截图在1秒内即可完成：

import Vision
import UIKit

func recognizeText(in image: UIImage) {
    guard let cgImage = image.cgImage else { return }
    
    let request = VNRecognizeTextRequest { request, error in
        guard let observations = request.results as? [VNRecognizedTextObservation] else {
            return
        }
        for observation in observations {
            // 取出置信度最高的候选结果
            if let candidate = observation.topCandidates(1).first {
                print("识别文字：\(candidate.string)")
                print("置信度：\(candidate.confidence)")
                print("坐标：\(observation.boundingBox)")
            }
        }
    }
    
    let handler = VNImageRequestHandler(cgImage: cgImage, options: [:])
    try? handler.perform([request])
}

这段代码中有两个关键点需要理解。第一，topCandidates(1)返回识别候选结果，OCR引擎对同一行文字可能给出多个猜测，通常取第一个即可，其confidence属性表示置信度（0到1之间），可以据此过滤掉不可靠的结果。第二，回调默认在后台线程执行，如果需要更新UI，必须切换回主线程。

二、配置多语言识别与识别模式

Vision默认只支持英文识别，要识别中文、日文、韩文等其他语言，必须显式设置recognitionLanguages属性。该属性接受一个语言代码数组，引擎会按照数组顺序尝试匹配。常见的语言代码包括zh-Hans（简体中文）、zh-Hant（繁体中文）、ja（日文）、ko（韩文）、en-US（美式英文）等。

// iOS 16及以上使用 recognitionLanguages
request.recognitionLanguages = ["zh-Hans", "en-US", "ja", "ko"]

// iOS 16之前旧属性（已废弃，但需兼容旧系统时会用到）
// request.recognitionLevel = .accurate

// 设置只返回可信度高的结果
request.usesLanguageCorrection = true

除了语言配置，recognitionLevel还提供两种识别模式：.fast快速模式速度快但准确率略低，适合实时相机取景场景；.accurate精确模式基于更强大的神经网络引擎，准确率明显更高，适合处理静态图片。此外，usesLanguageCorrection开启后引擎会利用语言模型对结果进行纠错，对常规印刷体文字效果显著，但对特殊符号、序列号等场景建议关闭，以免纠错反而破坏原始内容。

还有一个容易被忽略的细节：语言数组的顺序会影响识别结果。如果第一项设置为zh-Hans，引擎会优先按中文习惯断句和识别；如果你的图片以英文为主，应把en-US放在前面。实际项目中建议根据业务场景测试不同顺序的效果。

三、boundingBox坐标系详解与坐标转换

Vision返回的boundingBox使用的是归一化坐标系，取值范围0到1，原点在图片左下角，x轴向右、y轴向上。这与UIKit的坐标系（原点在左上角，y轴向下）完全不同，如果直接拿boundingBox去绘制识别框，位置必然错乱。

下图说明了坐标换算的思路：对于同一个矩形，Vision的y值需要用1减去顶部和底部的值来翻转，宽度高度则乘以实际图片尺寸得到像素值：

func convertBoundingBox(_ box: CGRect, in imageSize: CGSize) -> CGRect {
    // Vision坐标：原点在左下角，归一化值
    // UIKit坐标：原点在左上角，像素值
    let x = box.origin.x * imageSize.width
    let height = box.height * imageSize.height
    let y = (1 - box.origin.y - box.height) * imageSize.height
    let width = box.width * imageSize.width
    return CGRect(x: x, y: y, width: width, height: height)
}

// 结合图片方向获取真实尺寸
func imageSize(for image: UIImage) -> CGSize {
    guard let cgImage = image.cgImage else { return .zero }
    // 图片可能有EXIF旋转信息，需按方向修正
    if image.imageOrientation == .left || image.imageOrientation == .right {
        return CGSize(width: cgImage.height, height: cgImage.width)
    }
    return CGSize(width: cgImage.width, height: cgImage.height)
}

需要特别注意EXIF方向问题。用相机拍摄的图片往往带有方向元数据，UIImage会自动应用方向，而Vision处理的是原始CGImage数据，两者坐标系可能相差90度或180度。解决办法要么在识别前把图片重绘为正向图片，要么像上面代码那样根据imageOrientation交换宽高后再换算坐标。

换算完成后，就可以用CALayer或CAShapeLayer在图片上绘制识别框，下面是一个完整的视图叠加示例：

func drawResultBoxes(observations: [VNRecognizedTextObservation],
                     on imageView: UIImageView,
                     imageSize: CGSize) {
    imageView.layer.sublayers?.forEach { $0.removeFromSuperlayer() }
    
    let scale = imageView.bounds.size.width / imageSize.width
    
    for observation in observations {
        let converted = convertBoundingBox(observation.boundingBox, in: imageSize)
        let boxLayer = CAShapeLayer()
        boxLayer.frame = CGRect(
            x: converted.origin.x * scale,
            y: converted.origin.y * scale,
            width: converted.width * scale,
            height: converted.height * scale
        )
        boxLayer.borderWidth = 2
        boxLayer.borderColor = UIColor.systemRed.cgColor
        imageView.layer.addSublayer(boxLayer)
    }
}

四、提升识别准确率的实用建议

实际项目中，识别准确率往往受图片质量影响最大。图片模糊、文字过小、背景复杂都会导致结果变差。建议在识别前对图片做适当预处理，例如用Core Image的CIColorControls提升对比度，或者对过小的文字区域先放大再识别。

对于长图或分辨率很高的图片，一次性识别整张图可能遗漏小字。更好的做法是结合VNDetectTextRectanglesRequest先粗定位文字区域，再裁剪出子图分别识别，能显著提升小字场景的召回率。另外，尽量使用.accurate模式处理静态图片，只在实时取景这种对性能敏感的场景使用.fast模式。

最后关于系统版本兼容：精确模式和主要语言支持需要iOS 13以上，韩文支持需要iOS 14以上，而部分扩展语言（如俄文、阿拉伯文）需要iOS 16以上。如果项目要兼容更低系统版本，可以通过#available做判断，降级到只支持英文的识别，或者引导用户升级系统获得完整的多语言能力。

总结来说，Vision Framework提供了完全本地化、免费且保护隐私的OCR方案，配合坐标提取能力可以胜任绝大多数文字识别需求。掌握语言配置和坐标转换这两个核心难点后，再结合业务场景做针对性优化，就能打造出体验良好的文字识别功能。

Vision FrameworkiOS OCR文字识别修改时间：2026-08-31 07:10:32