白板上的字抠不出来，我试到第七版才对

一句话

一个方案不行，通常不是参数没调好，而是思路错了。所以我把每一版都留下来——它们比最后成功的那一版更有信息量。

场景

讲东西的视频里有一块白板，上面写着真正有价值的内容。想把板书留下来，但有两个障碍：人一直站在白板前面走动，镜头也在轻微晃，加上光线不均——任何单独截一帧，都会有一半字被人挡住，或者一半是糊的。

直接抄成文字也不对：板书的价值在版面结构——哪一块和哪一块有连线、谁在左边谁在右边、哪几个词是一组。抄成一行行文字，结构就丢了。

原来怎么做

要么反复暂停截屏，自己拿画图工具拼；要么干脆重看一遍，靠记忆记笔记。

前者的工作量随视频长度线性增长，而且拼出来的东西往往歪的歪、糊的糊；后者丢掉的正是最有价值的版面结构。

真正的难在哪

以为难点是「把帧拼起来」，做起来才发现三个都不是：

一、板书的价值在结构，不在文字。 这决定了目标不是「提取文字」，是「还原版面」——所以 OCR 这类手段在这里不是主线，空间对齐才是。

二、遮挡、抖动、光照是三个不同的问题。 抽帧解决的是「哪一帧里的字最完整」，对齐解决的是「帧和帧之间错开了多少」，背景处理解决的是「残影和阴影」。三个问题混在一起调，永远调不好——必须拆开，一次只动一个。

三、一个方案失败，往往不是参数问题，而是思路问题。 这一点是我试到后面才承认的：一开始总以为「再调调参数就好了」，实际上方向错了，参数调到天亮也没用。所以我停下来，把每一版都跑出来并排看——从工作目录能看出至少试了七代拼接方案、以及多种背景处理方式。

那七版的演进本身就是结论：第一版有残影 → 第二版背景不干净 → 第三版才终于干净。如果没有留对比图，这段过程就只能靠我嘴说。

我的做法

• 拆成两件事，并明确标注成熟度：视频摘要做成完整可用的命令行工具（本地转写 + 关键帧一起交给视觉模型）；板书提取老实标注为实验性——试了多少版就说多少版。
• 抽帧 → 对齐 → 去人 → 拼接，每一步单独可调、单独能看结果。
• 背景处理做了多套方案对比：纯背景、去背景、色彩空间分离、二值化等等，逐个跑、逐个看。
• 关键取舍：保留全部 11 个工作目录，而不是只留最终版。 通常人们会清理过程文件，这里反过来——把迭代过程当证据留下来。它同时也是这个项目最直观的展示素材：一眼就能看出方案是怎么一步步变好的。
• 每一轮把图发给视觉模型后的评价都留着，而不是只记最后结论。

结果与验收标准

• 5 个代码文件、871 行；本地语音转写 + 图像处理，不依赖云端转写服务。
• 11 个工作目录完整保留迭代路径，其中单个目录就有 57 张过程图；输出目录 22 张成品与方案对比图。
• 有现成的方案对比图：残影版 / 背景不干净版 / 最终干净版并排——「试了七版」这件事，一张图就说完了。
• 方法论沉淀成三件套：Markdown 文档 + 演示文稿 + PDF，可以直接拿去讲。
• 待填：一段视频人工抄板书原本要多久
• 待填：最终采用哪一套拼接方案

验收标准我定的是两条：最终拼出来的图必须能读（不是"看起来像那么回事"，是每一行字都认得出来）；每一版方案之间必须可比——同一段视频、同一套抽帧，只换一个变量。第二条更重要：不可比的迭代就是瞎试。

可复用的方法论

1. 把失败的方案留下来。 它们比成功那版更有信息量，也是"我真的试过"的唯一证据。
2. 把混在一起的问题拆开。 选帧、对齐、去背景是三个问题——分开调，才知道是哪一环让结果变好。
3. 明确标注哪些是成品、哪些还在试。 含糊其辞会让使用者踩坑，也会让"实验"变成不敢承认的东西。

能力标签

Python ｜ 本地语音转写 ｜ OpenCV ｜ 关键帧抽取 ｜ 图像拼接 ｜ 背景分离 ｜ 视觉模型接口

依据

• 两部分的定位、功能与参数：../17 视频理解/README.md
• 视频摘要与转写实现：../17 视频理解/video_summarizer.py
• 方法论三件套：../17 视频理解/输出/AI图像识别与专家经验_普适方法论.md
• 迭代过程留痕（多代拼接方案的中间产物）：../17 视频理解/work_mosaic_final
• 工作目录数量、输出图与代码规模：../17 视频理解