OCR文字識別

OCR（optical character recognition）文字識別是指電子設備（例如掃瞄器或數位相機）檢查紙上列印的字元，然後用字元識別方法將形狀翻譯成計算機文字的過程；即，對文本資料進行掃描，然後對圖像檔案進行分析處理，獲取文字及版面信息的過程。如何除錯或利用輔助信息提高識別正確率，是OCR最重要的課題的友好性，產品的穩定性，易用性及可行性等。

基本介紹

• 中文名：OCR文字識別
• 外文名：Optical Character Recognition

歷史背景

光學文字識別的概念是在1929年由德國科學家Tausheck最先提出來的，後來美國科學家Handel也提出了利用技術對文字進行識別的想法。而最早對印刷體漢字識別進行研究的是IBM公司的Casey和Nagy，1966年他們發表了第一篇關於漢字識別的文章，採用了模板匹配法識別了1000個印刷體漢字。
早在60、70年代，世界各國就開始有OCR的研究，而研究的初期，多以文字的識別方法研究為主，且識別的文字僅為0至9的數字。以同樣擁有方塊文字的日本為例，1960年左右開始研究OCR的基本識別理論，初期以數字為對象，直至1965至1970年之間開始有一些簡單的產品，如印刷文字的郵政編碼識別系統，識別郵件上的郵政編碼，幫助郵局作區域分信的作業；也因此至今郵政編碼一直是各國所倡導的地址書寫方式。

20世紀70年代初，日本的學者開始研究漢字識別，並做了大量的工作。中國在OCR技術方面的研究工作起步較晚，在70年代才開始對數字、英文字母及符號的識別進行研究，70年代末開始進行漢字識別的研究，到1986年漢字識別的研究進入一個實質性的階段，不少研究單位相繼推出了中文OCR產品.早期的OCR軟體，由於識別率及產品化等多方面的因素，未能達到實際要求。同時，由於硬體設備成本高，運行速度慢，也沒有達到實用的程度。只有個別部門，如信息部門、新聞出版單位等使用OCR軟體。

1986年以後我國的OCR研究有了很大進展，在漢字建模和識別方法上都有所創新，在系統研製和開發套用中都取得了豐碩的成果，不少單位相繼推出了中文OCR產品。

進入20世紀90年代以後，隨著平台式掃瞄器的廣泛套用，以及我國信息自動化和辦公自動化的普及，大大推動了OCR技術的進一步發展，使OCR的識別正確率、識別速度滿足了廣大用戶的要求。其中以OCR為科技核心的雲脈技術不斷創新進取，研發了一系列OCR軟體產品，並且運用在醫院，學校，企業等各大市場。

軟體結構

由於掃瞄器的普及與廣泛套用，OCR軟體只需提供與掃瞄器的接口，利用掃瞄器驅動軟體即可。因此，OCR軟體主要是由下面幾個部分組成。
1、圖像輸入、預處理：
圖像輸入：對於不同的圖像格式，有著不同的存儲格式，不同的壓縮方式。預處理：主要包括二值化，噪聲去除，傾斜較正等
2、二值化：
對攝像頭拍攝的圖片，大多數是彩色圖像，彩色圖像所含信息量巨大，對於圖片的內容，我們可以簡單的分為前景與背景，為了讓計算機更快的，更好的識別文字，我們需要先對彩色圖進行處理，使圖片只前景信息與背景信息，可以簡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。
3、噪聲去除：
對於不同的文檔，我們對噪聲的定義可以不同，根據噪聲的特徵進行去噪，就叫做噪聲去除
4、傾斜較正：
由於一般用戶，在拍照文檔時，都比較隨意，因此拍照出來的圖片不可避免的產生傾斜，這就需要文字識別軟體進行較正。
版面分析：
5、將文檔圖片分段落，分行的過程就叫做版面分析，由於實際文檔的多樣性，複雜性，因此，目前還沒有一個固定的，最優的切割模型。
6、字元切割：
由於拍照條件的限制，經常造成字元粘連，斷筆，因此極大限制了識別系統的性能，這就需要文字識別軟體有字元切割功能。
7、字元識別：
這一研究，已經是很早的事情了，比較早有模板匹配，後來以特徵提取為主，由於文字的位移，筆畫的粗細，斷筆，粘連，旋轉等因素的影響，極大影響特徵的提取的難度。
8、版面恢復：
人們希望識別後的文字，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，這一過程就叫做版面恢復。
9、後處理、校對：
根據特定的語言上下文的關係，對識別結果進行較正，就是後處理。
開發一個OCR文字識別軟體系統，其目的很簡單，只是要把影像作一個轉換，使影像內的圖形繼續保存、有表格則表格內資料及影像內的文字，一律變成計算機文字，使能達到影像資料的儲存量減少、識別出的文字可再使用及分析，當然也可節省因鍵盤輸入的人力與時間。

從影像到結果輸出，須經過影像輸入、影像前處理、文字特徵抽取、比對識別、最後經人工校正將認錯的文字更正，將結果輸出。