OCR汉字识别系统获取纸质图片的资料文字信息的技巧.docVIP

OCR汉字识别系统获取纸质图片的资料文字信息的技巧 　　摘要：OCR汉字识别系统通过扫描仪扫描，能快速将纸质文本信息转换成Word可编辑文本，极大地提高了工作效率，因此?h字OCR识别技术有着广泛的发展前途及实际应用价值，文章提到的具体操作方法可以有效地应用于实际工作当中，供同行参考。 　　关键词：OCR汉字识别系统 原理 方法 技巧 　　中图分类号：TP391 文献标识码：A 文章编号：1009-5349（2017）16-0191-03 　　一、 什么是OCR？ 　　OCR是（Optical Character Recognition）的缩写，即光学字符识别，也可简称文字识别。它的工作原理就是通过电子设备检查纸质资料上打印的字符，采用光电转换装置将汉字或字符转换成电信号，并由计算机进行检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。[1] 　　衡量OCR系统性能优劣主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。[2]早期的OCR软件在识别率等方面不是很理想。文字识别的工作只能由简单的识别软件逐字进行，无法分辨不同的字体，对于手写体或是印刷效果不清晰的印刷品，在识别上有一定的难度。有人做过实验，对于印刷品模糊或是手写体过于潦草的汉字，识别后的修改时间与正常打字的速度相差不多，有时甚至还赶不上人工打字的速度。但是随着这项技术的日趋成熟，识别软件已经进入了人工智能阶段，它不仅能识别黑白印刷体汉字，还能识别灰度和彩色印刷体汉字，识别正确率能达到99% ，对于手写汉字识别率已达到70% 以上，对于大批量的印刷文字向电子文档的输入，OCR汉字识别效率与识别率都能让用户十分满意。[3-12] 　　二、 原理与功能模块[4] 　　OCR的功能是将各种录入汉字、印刷体或手写体中每个汉字的图形或图像通过计算机辨认出来，并标出汉字类别代码，从而获取文字及版面信息的过程。[2]因此，汉字识别归根结底是一个图像识别问题。由于汉字信息量很大，具有不同的字形、字体，而且结构复杂，因此汉字识别的过程极其复杂。汉字识别系统可由汉字图形输入装置、予处理器、识别器、后处理器几部分组成。如图1所示。 　　汉字图形输入装置主要功能是通过光、电输入设备，将原稿转换成二维点阵图形。所谓的原稿指的就是印刷的纸质资料。 　　予处理器是指对印刷的纸质资料文稿页，进行成分分析、字符的分割、去干扰等。 　　后处理器是对识别后的词组、词条和上下文关系进行后期纠错、输出。 　　三、OCR适合对象[4] 　　（1）印刷行业、文印店经常会遇到客户只给你一本厚厚的宣传册，要明天之前必须把那本宣传册上的文字原原本本打出来。OCR能极大地减轻录入工作强度、提高录入速度，是非常快捷、省力的好帮手。 　　（2）办公室工作人员经常会遇到要马上把纸质文本打印成Word文档的工作，对于打字慢或是懒得打字的人，为了完成工作任务，OCR是非常好的选择。 　　（3）其他对象：广泛应用于网上资源数据库、数字化图书馆、档案部门，尤其是对于原始纸质文件、档案、书稿等的引用、检索数字化工作，OCR能轻松提高效率。 　　四、OCR系统识别汉字的方法 　　文字识别模块是OCR软件的核心部分，它主要对输入的汉字进行“阅读”，但不能一目多行，必须逐行切割，一个个字的辨认，即单字识别，再进行归一化。文字识别模块通过对不同样本汉字的特征进行提取，完成识别，自动查找可疑字，具有前后联想等功能。[4] 　　（一）汉字识别所需硬件、软件 　　一般来说进行汉字识别只需要一台计算机、扫描仪即可。OCR汉字识别软件在购买扫描仪时会自带，安装在本机上运行即可。不同的扫描仪所附带的OCR汉字识别软件是不一样的。目前，市面上的OCR软件有丹青、汉王、蒙恬OCR、清华紫光、尚书等。OCR软件的种类虽然很多，但其使用方法大同小异。现以清华紫光OCR2003专业版为例，介绍其具体操作过程和使用技巧。[5]清华紫光OCR2003专业版具有识别率高、支持表格识别等特点，流程分为四步：获取识别图像；图像版面处理；识别及修改；结果输出。[6] 　　（二）设置扫描模式及扫描 　　在本机上安装好清华紫光OCR2003千禧版之后双击桌面图标，打开扫描仪对扫描参数进行设置。如果选择“直接终扫”，系统只进行一次扫描。“直接终扫”能节约时间，但是前提是要把需识别的纸质文本在扫描仪中放好，扫描时尽量不要出现歪斜现象。 　　扫描时采用的分辨率是识别过程的关键。一般杂志或报纸需300dpi的分辨率就能足够供OCR产生良好的识别效果，以激光打印机输出设备的纸质文件在300dpi的扫描品质下，识别率可以达到99%。[7]扫描完成后，利用紫光OCR2003千禧版对该纸质