两款常用中文OCR软件的性能比较分析.pdfVIP

2011年3月 情报探索 第 3期 (总 161期) 两款常用中文OCR软件的性能比较分析 郭 军 (郑州大学信息管理系 河南 450001) 摘 要：通过实验 ，从识别率、支持识别的图像文件格式、支持识别的字符属性、支持输 出的文件格式、用户界面友好性、图像 预处理功能和用户自学习功能等方面 ，对2款常用 中文OCR软件的性能进行对 比分析 ，针对性地提 出了7条提高OCR软件性 能的具体措施。 关键词：ocR软件 性能比较 信息资源数字化 中图分类号：IP317．2 文献标识码：A doi：10．3969／j．issn．1005—8095．2011．03．033 OCR(光学字符识别)这一概念最早于 1929年 25种常用 的中文标点符号 ，分别用宋体、楷体和黑 由德 国科学家 Tausheck提出[1]。随后 ，美 国科学家 体 3种字体打印)、纯英文打印稿样张 (26个大小写 Handel描述了利用光学技术对文字进行识别的概念 英文字母、0～9阿拉伯数字和 35种常用的英文标点 模型，但这个模型直到计算机的诞生才进入实际应 符号，分别用宋体、楷体、黑体、Arial、Impact、Times 用。 NewRoman6种字体打印)、中英文混排打印稿样 信息资源数字化工作中，为满足用户对数字化 张、纯中文杂志样张、纯英文杂志样张、中英文混排 产品的深层次需求 ，部分数字化项 目要求将经数字 杂志样张、纯中文报纸样张、纯英文报纸样张和中英 扫描或数字拍照所生成的数字图像转换为易于编 文混排报纸样张[21。这 9种扫描样张均由同一 台型 辑、深加工的文档信息 。为达到这一 目的。信息资源 号为iR5o2O的佳能扫描仪采用黑白扫描模式获得， 数字化项 目人员大多选择 OCR识别这柄利器 。OCR 考虑到部分扫描样张中的一些字符(例如标点符号) 精确识别是保证数字化产品质量进而为整项工作提 很小，本实验中的扫描分辨率统一设置为 600dpi，扫 供用户保障的一个重要环节。因此，选择并正确使用 描样张文件的格式统一设置为 ⅡF格式[3]。在选择样 合适的OCR软件应 当引起信息资源数字化项 目工 张的原始文献资料时。笔者尽量避开含有图表的部 作人员的充分重视。 分 ，因此本实验中实际参与识别的图像类型为文本 1 实验 目的与实验材料 型数字图像 。 1．1 实验 目的 2 实验流程与实验方法 本实验对 2款常用中文 OCR软件的性能进行 2．1 实验流程 了多角度的对 比分析，目的在于希望能够为信息资 本实验的流程如图 1所示。 源数字化项 目人员 以及其他相 文本型数字图像 ．-{图像预处理 ．{ OCT．识别 ，-4对比分析 卜．．{生成分析报告 关用户在选择和使用 OCR软件 时提供参考 ，同时为 OCR软件 图 1 实验矛I程示意 开发方提供建议。 2．2 实验方法 1．2 实验材料 本实验把识别率作为对 2款 OCR软件 的性能 在我国大陆OCR软件市场上 ．曾经呈现出汉王 进行 比较分析的首要 因素。一方面 ，试验中将2款 科技、曙光公司、清华文通三足鼎立的态势，自从 OCR软件分别对 9种不同样张的单个识别