愛(ài)華網(wǎng)
OCR（Optical Character Recognition，光學(xué)字符識(shí)別）是指電子設(shè)備（例如掃描儀或數(shù)碼相機(jī)）檢查紙上打印的字符，通過(guò)檢測(cè)暗、亮的模式確定其形狀，然后用字符識(shí)別方法將形狀翻譯成計(jì)算機(jī)文字的過(guò)程；即，針對(duì)印刷體字符，采用光學(xué)的方式將紙質(zhì)文檔中的文字轉(zhuǎn)換成為黑白點(diǎn)陣的圖像文件，并通過(guò)識(shí)別軟件將圖像中的文字轉(zhuǎn)換成文本格式，供文字處理軟件進(jìn)一步編輯加工的技術(shù)。如何除錯(cuò)或利用輔助信息提高識(shí)別正確率，是OCR最重要的課題，ICR（Intelligent Character Recognition）的名詞也因此而產(chǎn)生。衡量一個(gè)OCR系統(tǒng)性能好壞的主要指標(biāo)有：拒識(shí)率、誤識(shí)率、識(shí)別速度、用戶(hù)界面的友好性，產(chǎn)品的穩(wěn)定性，易用性及可行性等。
ocr_OCR -發(fā)展簡(jiǎn)史
OCROCR的概念是在1929年由德國(guó)科學(xué)家Tausheck最先提出來(lái)的，后來(lái)美國(guó)科學(xué)家Handel也提出了利用技術(shù)對(duì)文字進(jìn)行識(shí)別的想法。而最早對(duì)印刷體漢字識(shí)別進(jìn)行研究的是IBM公司的Casey和Nagy，1966年他們發(fā)表了第一篇關(guān)于漢字識(shí)別的文章，采用了模板匹配法識(shí)別了1000個(gè)印刷體漢字。
早在60、70年代，世界各國(guó)就開(kāi)始有OCR的研究，而研究的初期，多以文字的識(shí)別方法研究為主，且識(shí)別的文字僅為0至9的數(shù)字。以同樣擁有方塊文字的日本為例，1960年左右開(kāi)始研究OCR的基本識(shí)別理論，初期以數(shù)字為對(duì)象，直至1965至1970年之間開(kāi)始有一些簡(jiǎn)單的產(chǎn)品，如印刷文字的郵政編碼識(shí)別系統(tǒng)，識(shí)別郵件上的郵政編碼，幫助郵局作區(qū)域分信的作業(yè)；也因此至今郵政編碼一直是各國(guó)所倡導(dǎo)的地址書(shū)寫(xiě)方式。
20世紀(jì)70年代初，日本的學(xué)者開(kāi)始研究漢字識(shí)別，并做了大量的工作。中國(guó)在OCR技術(shù)方面的研究工作起步較晚，在70年代才開(kāi)始對(duì)數(shù)字、英文字母及符號(hào)的識(shí)別進(jìn)行研究，70年代末開(kāi)始進(jìn)行漢字識(shí)別的研究，到1986年，我國(guó)提出“863”高新科技研究計(jì)劃，漢字識(shí)別的研究進(jìn)入一個(gè)實(shí)質(zhì)性的階段，清華大學(xué)的丁曉青教授和中科院分別開(kāi)發(fā)研究，相繼推出了中文OCR產(chǎn)品，現(xiàn)為中國(guó)最領(lǐng)先漢字OCR技術(shù)。早期的OCR軟件，由于識(shí)別率及產(chǎn)品化等多方面的因素，未能達(dá)到實(shí)際要求。同時(shí)，由于硬件設(shè)備成本高，運(yùn)行速度慢，也沒(méi)有達(dá)到實(shí)用的程度。只有個(gè)別部門(mén)，如信息部門(mén)、新聞出版單位等使用OCR軟件。進(jìn)入20世紀(jì)90年代以后，隨著平臺(tái)式掃描儀的廣泛應(yīng)用，以及我國(guó)信息自動(dòng)化和辦公自動(dòng)化的普及，大大推動(dòng)了OCR技術(shù)的進(jìn)一步發(fā)展，使OCR的識(shí)別正確率、識(shí)別速度滿(mǎn)足了廣大用戶(hù)的要求。
ocr_OCR -軟件結(jié)構(gòu)
OCR由于掃描儀的普及與廣泛應(yīng)用，OCR軟件只需提供與掃描儀的接口，利用掃描儀驅(qū)動(dòng)軟件即可。因此，OCR軟件主要是由下面幾個(gè)部分組成。
圖像輸入、預(yù)處理：
圖像輸入：對(duì)于不同的圖像格式，有著不同的存儲(chǔ)格式，不同的壓縮方式，目前有OpenCV,CxImage等開(kāi)源項(xiàng)目。預(yù)處理：主要包括二值化，噪聲去除，傾斜較正等
二值化：
對(duì)攝像頭拍攝的圖片，大多數(shù)是彩色圖像，彩色圖像所含信息量巨大，對(duì)于圖片的內(nèi)容，我們可以簡(jiǎn)單的分為前景與背景，為了讓計(jì)算機(jī)更快的，更好的識(shí)別文字，我們需要先對(duì)彩色圖進(jìn)行處理，使圖片只前景信息與背景信息，可以簡(jiǎn)單的定義前景信息為黑色，背景信息為白色，這就是二值化圖了。
噪聲去除：
對(duì)于不同的文檔，我們對(duì)噪聲的定義可以不同，根據(jù)噪聲的特征進(jìn)行去噪，就叫做噪聲去除
傾斜較正：
由于一般用戶(hù)，在拍照文檔時(shí)，都比較隨意，因此拍照出來(lái)的圖片不可避免的產(chǎn)生傾斜，這就需要文字識(shí)別軟件進(jìn)行較正。
版面分析：
將文檔圖片分段落，分行的過(guò)程就叫做版面分析，由于實(shí)際文檔的多樣性，復(fù)雜性，因此，目前還沒(méi)有一個(gè)固定的，最優(yōu)的切割模型。
字符切割：
由于拍照條件的限制，經(jīng)常造成字符粘連，斷筆，因此極大限制了識(shí)別系統(tǒng)的性能，這就需要文字識(shí)別軟件有字符切割功能。
字符識(shí)別：
這一研究，已經(jīng)是很早的事情了，比較早有模板匹配，后來(lái)以特征提取為主，由于文字的位移，筆畫(huà)的粗細(xì)，斷筆，粘連，旋轉(zhuǎn)等因素的影響，極大影響特征的提取的難度。
版面恢復(fù)：
人們希望識(shí)別后的文字，仍然像原文檔圖片那樣排列著，段落不變，位置不變，順序不變，的輸出到word文檔,pdf文檔等，這一過(guò)程就叫做版面恢復(fù)。
后處理、校對(duì):
根據(jù)特定的語(yǔ)言上下文的關(guān)系，對(duì)識(shí)別結(jié)果進(jìn)行較正，就是后處理。
ocr_OCR -工作流程
一個(gè)OCR識(shí)別系統(tǒng)，其目的很簡(jiǎn)單，只是要把影像作一個(gè)轉(zhuǎn)換，使影像內(nèi)的圖形繼續(xù)保存、有表格則表格內(nèi)資料及影像內(nèi)的文字，一律變成計(jì)算機(jī)文字，使能達(dá)到影像資料的儲(chǔ)存量減少、識(shí)別出的文字可再使用及分析，當(dāng)然也可節(jié)省因鍵盤(pán)輸入的人力與時(shí)間。從影像到結(jié)果輸出，須經(jīng)過(guò)影像輸入、影像前處理、文字特征抽取、比對(duì)識(shí)別、最后經(jīng)人工校正將認(rèn)錯(cuò)的文字更正，將結(jié)果輸出。
影像輸入
欲經(jīng)過(guò)OCR處理的標(biāo)的物須透過(guò)光學(xué)儀器，如影像掃描儀、傳真機(jī)或任何攝影器材，將影像轉(zhuǎn)入計(jì)算機(jī)?？萍嫉倪M(jìn)步，掃描儀等的輸入裝置已制作的愈來(lái)愈精致，輕薄短小、品質(zhì)也高，對(duì)OCR有相當(dāng)大的幫助，掃描儀的分辨率使影像更清晰、掃除速度更增進(jìn)OCR處理的效率。
影像預(yù)處理：影像預(yù)處理是OCR系統(tǒng)中，須解決問(wèn)題最多的一個(gè)模塊。影像須先將圖片、表格及文字區(qū)域分離出來(lái)，甚至可將文章的編排方向、文章的提綱及內(nèi)容主體區(qū)分開(kāi)，而文字的大小及文字的字體亦可如原始文件一樣的判斷出來(lái)。
對(duì)待識(shí)別圖像進(jìn)行如下預(yù)處理，可以降低特征提取算法的難度，并能提高識(shí)別的精度。
二值化：由于彩色圖像所含信息量過(guò)于巨大，在對(duì)圖像中印刷體字符進(jìn)行識(shí)別處理前，需要對(duì)圖像進(jìn)行二值化處理，使圖像只包含黑色的前景信息和白色的背景信息，提升識(shí)別處理的效率和精確度。
圖像降噪：由于待識(shí)別圖像的品質(zhì)受限于輸入設(shè)備、環(huán)境、以及文檔的印刷質(zhì)量，在對(duì)圖像中印刷體字符進(jìn)行識(shí)別處理前，需要根據(jù)噪聲的特征對(duì)待識(shí)別圖像進(jìn)行去噪處理，提升識(shí)別處理的精確度。
傾斜校正：由于掃描和拍攝過(guò)程涉及人工操作，輸入計(jì)算機(jī)的待識(shí)別圖像或多或少都會(huì)存在一些傾斜，在對(duì)圖像中印刷體字符進(jìn)行識(shí)別處理前，就需要進(jìn)行圖像方向檢測(cè)，并校正圖像方向。
文字特征抽?。?jiǎn)我宰R(shí)別率而言，特征抽取可說(shuō)是OCR的核心，用什么特征、怎么抽取，直接影響識(shí)別的好壞，也所以在OCR研究初期，特征抽取的研究報(bào)告特別的多。而特征可說(shuō)是識(shí)別的籌碼，簡(jiǎn)易的區(qū)分可分為兩類(lèi)：一為統(tǒng)計(jì)的特征，如文字區(qū)域內(nèi)的黑/白點(diǎn)數(shù)比，當(dāng)文字區(qū)分成好幾個(gè)區(qū)域時(shí)，這一個(gè)個(gè)區(qū)域黑/白點(diǎn)數(shù)比之聯(lián)合，就成了空間的一個(gè)數(shù)值向量，在比對(duì)時(shí)，基本的數(shù)學(xué)理論就足以應(yīng)付了。而另一類(lèi)特征為結(jié)構(gòu)的特征，如文字影像細(xì)線(xiàn)化后，取得字的筆劃端點(diǎn)、交叉點(diǎn)之?dāng)?shù)量及位置，或以筆劃段為特征，配合特殊的比對(duì)方法，進(jìn)行比對(duì)，市面上的線(xiàn)上手寫(xiě)輸入軟件的識(shí)別方法多以此種結(jié)構(gòu)的方法為主。
對(duì)比數(shù)據(jù)庫(kù)：當(dāng)輸入文字算完特征后，不管是用統(tǒng)計(jì)或結(jié)構(gòu)的特征，都須有一比對(duì)數(shù)據(jù)庫(kù)或特征數(shù)據(jù)庫(kù)來(lái)進(jìn)行比對(duì)，數(shù)據(jù)庫(kù)的內(nèi)容應(yīng)包含所有欲識(shí)別的字集文字，根據(jù)與輸入文字一樣的特征抽取方法所得的特征群組。
對(duì)比識(shí)別
這是可充分發(fā)揮數(shù)學(xué)運(yùn)算理論的一個(gè)模塊，根據(jù)不同的特征特性，選用不同的數(shù)學(xué)距離函數(shù)，較有名的比對(duì)方法有，歐式空間的比對(duì)方法、松弛比對(duì)法（Relaxation）、動(dòng)態(tài)程序比對(duì)法（DynamicProgramming，DP），以及類(lèi)神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫(kù)建立及比對(duì)、HMM（HiddenMarkovModel）…等著名的方法，為了使識(shí)別的結(jié)果更穩(wěn)定，也有所謂的專(zhuān)家系統(tǒng)（ExpertsSystem）被提出，利用各種特征比對(duì)方法的相異互補(bǔ)性，使識(shí)別出的結(jié)果，其信心度特別的高。
字詞后處理：由于OCR的識(shí)別率并無(wú)法達(dá)到百分之百，或想加強(qiáng)比對(duì)的正確性及信心值，一些除錯(cuò)或甚至幫忙更正的功能，也成為OCR系統(tǒng)中必要的一個(gè)模塊。字詞后處理就是一例，利用比對(duì)后的識(shí)別文字與其可能的相似候選字群中，根據(jù)前后的識(shí)別文字找出最合乎邏輯的詞，做更正的功能。
字詞數(shù)據(jù)庫(kù)：為字詞后處理所建立的詞庫(kù)。
人工校正
OCR最后的關(guān)卡，在此之前，使用者可能只是拿支鼠標(biāo)，跟著軟件設(shè)計(jì)的節(jié)奏操作或僅是觀(guān)看，而在此有可能須特別花使用者的精神及時(shí)間，去更正甚至找尋可能是OCR出錯(cuò)的地方。一個(gè)好的OCR軟件，除了有一個(gè)穩(wěn)定的影像處理及識(shí)別核心，以降低錯(cuò)誤率外，人工校正的操作流程及其功能，亦影響OCR的處理效率，因此，文字影像與識(shí)別文字的對(duì)照，及其屏幕信息擺放的位置、還有每一識(shí)別文字的候選字功能、拒認(rèn)字的功能、及字詞后處理后特意標(biāo)示出可能有問(wèn)題的字詞，都是為使用者設(shè)計(jì)盡量少使用鍵盤(pán)的一種功能，當(dāng)然，不是說(shuō)系統(tǒng)沒(méi)顯示出的文字就一定正確，就像完全由鍵盤(pán)輸入的工作人員也會(huì)有出錯(cuò)的時(shí)候，這時(shí)要重新校正一次或能允許些許的錯(cuò)，就完全看使用單位的需求了。
結(jié)果輸出
有人只要文本文件作部份文字的再使用之用，所以只要一般的文字文件、有人要漂漂亮亮的和輸入文件一模一樣，所以有原文重現(xiàn)的功能、有人注重表格內(nèi)的文字，所以要和Excel等軟件結(jié)合。無(wú)論怎么變化，都只是輸出檔案格式的變化而已。如果需要還原成原文一樣格式，則在識(shí)別后，需要人工排版，耗時(shí)耗力。
ocr_OCR -中文識(shí)別
資料錄入文獻(xiàn)資料的數(shù)字化錄入，一般分為：
1．純圖像方式。
2．目錄文本、正文圖像方式。
3．全文本方式。
4．全文索引方式。文本方式和圖像方式的混合體。
識(shí)別過(guò)程
書(shū)本級(jí)：中文，英文；簡(jiǎn)體，繁體；
版式級(jí)：豎排，橫排；有無(wú)分欄；
行切分字切分
識(shí)別：真正的OCR識(shí)別過(guò)程，圖像信息還原成文本信息
后處理：人工干預(yù)，主要集中在前四個(gè)階段。
決定因素
1．圖片的質(zhì)量，一般建議150dpi以上
2．顏色，一般對(duì)彩色識(shí)別很差，黑白的圖片較高，因此建議ocr的為黑白tif格式
3．最重要的就是字體，如果是手寫(xiě)識(shí)別率很低。
國(guó)內(nèi)OCR識(shí)別簡(jiǎn)體差錯(cuò)率為萬(wàn)分之三，如果要求更高的精度需要投入更大的人工干預(yù)。繁體識(shí)別由于繁體字庫(kù)的不統(tǒng)一性（民國(guó)時(shí)期的字庫(kù)和現(xiàn)在繁體字庫(kù)不統(tǒng)一），導(dǎo)致識(shí)別困難，在人工干預(yù)下，精度能達(dá)到90%以上（圖文清晰情況下）。
ocr_OCR -識(shí)別技巧
1．分辨率的設(shè)置是文字識(shí)別的重要前提。一般來(lái)講，掃描儀提供較多的圖像信息，識(shí)別軟件比較容易得出識(shí)別結(jié)果。但也不是掃描分辨率設(shè)得越高識(shí)別正確率就越高。選擇300dpi或400dpi分辨率，適合大部分文檔掃描。注意文字原稿的掃描識(shí)別，設(shè)置掃描分辨率時(shí)千萬(wàn)不要超過(guò)掃描儀的光學(xué)分辨率，不然會(huì)得不償失。下面是部分典型設(shè)置，僅供參考。(1)1、2、3號(hào)字的文章段，推薦使用200dpi。
(2)4、小4、5號(hào)字的文章段，推薦使用300dpl
(3)小5、6號(hào)字的文章段，推薦使用400dpl
(4)7、8號(hào)字的文章段，推薦使用600dpi。
2．掃描時(shí)適當(dāng)?shù)卣{(diào)整好亮度和對(duì)比度值，使掃描文件黑白分明。這對(duì)識(shí)別率的影響最為關(guān)鍵，掃描亮度和對(duì)比度值的設(shè)定以觀(guān)察掃描后的圖像中漢字的筆畫(huà)較細(xì)但又不斷開(kāi)為原則。進(jìn)行識(shí)別前，先看看掃描得到的圖像中文字質(zhì)量如何，如果圖像存在黑點(diǎn)或黑斑時(shí)或文字線(xiàn)條很粗很黑，分不清筆畫(huà)時(shí)，說(shuō)明亮度值太小了，應(yīng)該增加亮度值在試試；如果文字線(xiàn)條凹凸不平，有斷線(xiàn)甚至圖像中漢字輪廓嚴(yán)重殘缺時(shí)，說(shuō)明亮度值太大了，應(yīng)減小亮度后再試試。
3．選好掃描軟件。選一款好的適合自己的OCR軟件是作好文字識(shí)別工作的基礎(chǔ)，一般不要使用掃描儀自帶的OEM軟件，OEM的OCR軟件的功能少、效果差，有的甚至沒(méi)有中文識(shí)別。
再選一個(gè)圖像軟件，第一，OCR軟件不能識(shí)別所有的掃描儀；第二，也是最關(guān)鍵的，利用圖像軟件的掃描接口掃描出來(lái)的圖像便于處理。
4．如果要進(jìn)行的文本是帶有格式的，如粗體、斜體、首行縮進(jìn)等，部分OCR軟件識(shí)別不出來(lái)，會(huì)丟失格式或出現(xiàn)亂碼。如果必須掃描帶有格式的文本，事先要確保使用的識(shí)別軟件是否支持文字格式的掃描。也可以關(guān)閉樣式識(shí)別系統(tǒng)，使軟件集中注意力查找正確的字符，不再顧及字體和字體格式。
5．在掃描識(shí)別報(bào)紙或其他半透明文稿時(shí)，背面的文字透過(guò)紙張混淆文字字形，對(duì)識(shí)別會(huì)造成很大的障礙。遇到該類(lèi)掃描，只要在掃描原稿的背面附。蓋一張黑紙，掃描時(shí)，增加掃描對(duì)比度，即可減少背面模糊字體的影響，提高識(shí)別正確率。
6．一般文本掃描原稿都為黑、白兩色原稿，但是在掃描設(shè)置時(shí)卻常將掃描模式設(shè)為灰度模式。特別是在原稿質(zhì)量較差時(shí)，使用灰度模式掃描，并在掃描軟件處理完后再繼續(xù)識(shí)別，這樣會(huì)得到較好的識(shí)別正確率。值得注意的是OCR識(shí)別軟件可以自己確定閥值，幾個(gè)百分點(diǎn)的閥值差異，可能就會(huì)影響識(shí)別的正常進(jìn)行。當(dāng)然，得到的圖像文件的大小會(huì)比黑白文件大很多。在進(jìn)行大批量文稿掃描時(shí)，必須對(duì)原稿進(jìn)行測(cè)試，找到最佳的閥值百分比。
7．遇到圖文混排的掃描原稿，首先明確使用的識(shí)別軟件是否支持自動(dòng)分析圖文這一功能。如果支持的話(huà)，在進(jìn)行這類(lèi)掃描識(shí)別時(shí)，OCR軟件會(huì)自動(dòng)計(jì)算出文本的內(nèi)容、位置和先后順序。文字部分可以按照標(biāo)示順序正常識(shí)別。
8．手動(dòng)選取掃描區(qū)域會(huì)有更好識(shí)別效果。設(shè)置好參數(shù)后，先預(yù)覽一下，然后開(kāi)始選取掃描區(qū)域。不要將要用的文章一股腦兒選在一個(gè)區(qū)域內(nèi)，因?yàn)楝F(xiàn)在的文章排版為了追求更好的視覺(jué)效果，使用圖文混排的較多，掃成一幅圖像會(huì)影響OCR識(shí)別。因此，要根據(jù)實(shí)際情況將版面分成N個(gè)區(qū)域，怎么劃分區(qū)域呢？每一區(qū)域內(nèi)的文字字體、字號(hào)最好一致，沒(méi)有圖形、圖像，每一行的寬度一致，遇到長(zhǎng)短不一，再細(xì)分，一般一次最多可掃描10個(gè)選區(qū)。根據(jù)不同情況，合理地設(shè)置識(shí)別區(qū)域的順序。不要嫌這個(gè)過(guò)程太煩，那可是提高識(shí)別率的有效手段。注意各識(shí)別區(qū)域不能有交叉，做到一切覺(jué)得完好以后再進(jìn)行識(shí)別。這樣一般的識(shí)別率會(huì)在95%以上，對(duì)于識(shí)別不正確的文字進(jìn)行校對(duì)后，就可以進(jìn)入相應(yīng)的文字處理軟件進(jìn)行所需的處理了。
9．在放置掃描原稿時(shí)，把掃描的文字材料一定要擺放在掃描起始線(xiàn)正中，以最大限度地減小由于光學(xué)透鏡導(dǎo)致的失真。同時(shí)應(yīng)保護(hù)掃描儀玻璃的干凈和不受損害。文字有一定角度的傾斜，或者是原稿文字部分為不正規(guī)排版，必須在掃描后使用旋轉(zhuǎn)工具，進(jìn)行糾正；否則OCR識(shí)別軟件會(huì)將水平筆劃當(dāng)做斜筆劃處理，識(shí)別正確率會(huì)下降很多。建議用戶(hù)盡量將掃描原稿放正，用工具旋轉(zhuǎn)糾正會(huì)降低圖像質(zhì)量，使字符識(shí)別更加困難。
10．先"預(yù)覽"整體版面，選定要掃描的區(qū)域，再用"放大預(yù)覽"工具，選擇一小塊進(jìn)行放大顯示到全屏幕，觀(guān)察其文字的對(duì)比度，文字的深淺濃度，據(jù)情況調(diào)整"閥值"的大小，最終要求文字清晰，不濃(文字成團(tuán))，不淡(文字?jǐn)喙P伐)，一般在"閥值"80左右為宜，最后再掃描。
11．用工具擦掉圖像污點(diǎn)，包括原來(lái)版面中的不需要識(shí)別的插圖、分隔線(xiàn)等，使文字圖像中除了文字沒(méi)有一點(diǎn)多余的東西；這可以大提高識(shí)別率并減少識(shí)別后的修改工作。
12．如果要掃描印刷質(zhì)量稍微差一些的文章，比如說(shuō)報(bào)紙，掃描的結(jié)果將不會(huì)黑白分明，會(huì)出現(xiàn)大量的黑點(diǎn)，而且在字體的筆畫(huà)上也會(huì)出現(xiàn)粘連現(xiàn)象，這兩項(xiàng)可是漢字識(shí)別的大忌，將嚴(yán)重影響漢字識(shí)別的正確率。為獲得較好的識(shí)別結(jié)果，必須仔細(xì)進(jìn)行色調(diào)調(diào)節(jié)，反復(fù)掃描多次才能獲得比較理想的結(jié)果。另外由于報(bào)紙很薄且大部分紙質(zhì)不高，導(dǎo)致掃描儀上蓋板不能完全壓住報(bào)紙(有縫隙)，所以一般情況下報(bào)紙的掃描識(shí)別效果沒(méi)有雜志的效果好。解決辦法是在報(bào)紙上壓一至兩本16K的雜志，效果還是不錯(cuò)的。
愛(ài)華網(wǎng)本文地址 » http://www.klfzs.com/a/8103280103/41294.html
