OCR和繁体印刷品电子化.pdfVIP

OCR 和繁体印刷品电子化 By CXQ OCR 和繁体印刷品电子化 （Optical Character Recognition，OCR），是通过扫描等光学输入方式将各种 票据、报刊、书籍、文稿及其他印刷品的文字转化为图像信息，再利用文字识别技术将图 像信息转化为可以使用的计算机输入技术 基本原理：利用光学技术对含有文字或字符的纸介质进行扫描、识别并转换成计算机内码 所需要的软硬件支持包括：扫描仪、OCR 识别软件。 本小技不是系统介绍OCR 的用法，而是介绍OCR 引出的文字编码选择和对处理结果的影 响，处理的设计场景是“古籍整理”，也就是把古籍中的所谓“繁体字”，一说为“正体字”， 通过OCR，成为可编辑电子文档;另外一种场景就是处理华文地区使用的印刷文档的电子 化. 1）OCR 软件安装 本处理采用清华紫光OCR V7.5 OCR 和繁体印刷品电子化 By CXQ 安装过程包括解压、安装 安装过程的重要步骤 安装路径 机内代码选择 程序组名称 安装路径 默认安装路径为c:\ 作为常用的OA 软件，建议安装到C 盘以外的地方 点击“Browse”按钮，可以转换到其他的文件系统的位置上 OCR 和繁体印刷品电子化 By CXQ 选择机内代码 安装提示说：请选择你Windows 系统的机内代码，这是非常重要的！ 天晓得，我的windows 的机内代码是什么？ 姑且用默认值：GB-2312，试试看！ 程序组标示 应用程序安装后，一般在“所有程序”菜单下，会占有一席之地，便于日后调用 这里的名字就是用来“标在”所有程序菜单上的那个，你是可以改的，例如：OCR-My Cool ！ OCR 程序组资源 1、选择系统内码（记得，将来有用） 2、OCR 主程序 3、安装说明 4、卸载程序（这个程序也有用） 使用OCR 软件自己的样本,有几个好处： 不必再用扫描仪输入样本 OCR 和繁体印刷品电子化 By CXQ 具有多样性特色 体现软件的功能特色 打开步骤 1、点击“文件夹”，“打开”对户框出现 2、双击“sampleFT1” OCR 的典型工作界面 请使用鼠标，在所有常用工具按钮上“走”一遍，检查各个按钮的功能 例如，看不清图形上的文字，可以借助“放大镜”，把图形放大看 图像放大后的效果 OCR 和繁体印刷品电子化 By CXQ 从文档看，这是一个使用繁体字的文件图像，符合我们的处理目的 可以直接点击“眼镜”按钮，看看识别的效果 第一次识别：为何失败 解读识别结果： 好像不是识别，而是“传译”； 很多句子看上去，是是而非； 误码率很高：所有呈蓝色的文字，表示系统认为有问题 问题出在哪里？ OCR 和繁体印刷品电子化 By CXQ 选择文字内容的字体 原来，OCR 软件并不能够识别图像文字采用的字体，需要用户自行决定采用哪种字体进行 识别，若果误选，就会产生第一次识别的结果 第二次识别，我们采用“繁体多体” 第二次识别：成功vs. 失败 成功+ OCR 可以把文字识别出来，不仅识别出来，而且把它转换成了“简体汉字” OCR 和繁体印刷品电子化 By CXQ 失败- 没有达到“古籍整理”，修旧如旧的原则 原因何在？ 文字编码的影响 机内码：GB-2312 Ⅰ：字母、数字和各种符号(拉丁字母、俄文、日文平假名与片假名、希腊字母、汉语拼音