两款常用中文OCR软件的性能比较分析.docVIP

郭军（郑州大学信息管理系河南 450001）摘 要 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 ：TP317.2 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 由 德 国 科 学 家 Tausheck 提 出 ［1］。 随 后 ，美 国 科 学 家 Handel 描述了利用光学技术对文字进行识别的概念 模型 ， 但这个模型直到计算机的诞生才进入实际应 用。 信息资源数字化工作中 ， 为满足用户对数 字 化 产品的深层次需求 ， 部分数字化项目要求将经数字 扫描或数字拍照所生成的数 字图像转换为易于编 辑、深加工的文档信息 。 为达到这一目的 ，信 息 资 源 数字化项目人员大多选择 OCR 识别这柄利器 。 OCR 精确识别是保证数字化产品质量进而为整项工作提 供用户保障的一个重要环节 。 因此，选择并正确使用 合 适 的 OCR 软件应当引起信息资源数 字 化 项 目 工 作人员的充分重视 。 1 实验目的与实验材料 25 种 常 用的中文标点符号 ，分 别 用 宋 体 、楷 体 和 黑 体 3 种 字 体 打 印 ）、纯 英 文 打 印 稿 样 张 （26 个 大 小 写 英 文 字 母 、0~9 阿 拉 伯 数 字 和 35 种 常 用 的 英 文 标 点 符 号 ， 分 别 用 宋 体 、 楷 体 、 黑 体 、Arial、Impact、Times New Roman 6 种 字 体 打 印 ）、 中英文混排打印稿样 张 、纯中文杂志样张 、纯 英 文 杂 志 样 张 、中 英 文 混 排 杂志 样 张 、纯中文报纸样张 、纯英文报纸样张和中英 文混排报纸样张 ［2］。 这 9 种 扫 描样张均由同一台型 号 为 iR5020 的佳能扫描仪采用 黑白扫描模式获得 ， 考虑到部分扫描样张中的一些字符 （例 如 标 点 符 号 ） 很小 ，本实验中的扫描分辨率统一设置为 600dpi，扫 描样张文件的格式统一设置为 TIF 格式［3］。在选择样 张的原始文献资料时 ， 笔者尽量避开含有图表的部 分 ， 因此本实验中实际参与识别的图像类型为文本 型数字图像 。 1.1 实验目的 本 实 验 对 2 款 常 用 中 文 OCR 软件的性能进行 2 实验流程与实验方法 2.1 实验流程 本实验的流程如图 1 所示。 了多角度的对比分析 ， 目的在于希望能够为信息资 源数字化项目 人员以及其他相 关用户在选择 和 使 用 OCR 软 件 时提供参考 ， 同 时 为 OCR 软 件 开发方提供建议 。 1.2 实验材料 在 我 国 大 陆 OCR 软 件 市 场 上 ，曾经呈现出汉王 科技 、 曙 光 公 司 、 清华文通三足鼎立的态势 ， 自 从 1999 年 7 月 8 日 ，汉王科技公司 正式宣布并购曙光 公 司 OCR 研 发 部 之 后 ，两 强 相 争 的 局面一直持续至 今 。 本实验所比较的 2 款 中 文 OCR 软 件 分 别 是 ：清 2.2 实验方法 本 实 验 把 识 别 率 作 为 对 2 款 OCR 软 件 的 性 能 进行比较分析的首要因素 。 一 方 面 ， 试 验 中 将 2 款 OCR 软件分别对 9 种不同样张的单个识别率以及综 合识别率做出了详细的对比分析 。 其中，软件对各样 张的单个识别率使用公式 ： 单 个 识 别 率=（1-出 错 字 符数量/样张字符总数量 ）*100%；软 件 对 9 种 样 张 的 综合识别率使用公式 ：综 合 识 别 率=9 种 单 个 识 别 率 之和/9［4］。 另 一 方 面 ，本实验对每次识别结果中的错 误识别进行了统计，分析其中导致错误识别的各个因 素所占的比例。 此外，本实验还对 2 款 OCR 软件在识 别过程中的拒绝识别情况进行了统计和对比分析 。 华 紫 光 股 份 有 限 公 司 的 TH-OCR MF7.5 （以 下 简 称 紫 光 7.5） 和 北京汉王科技股份有限公司的 HW -