OCR光学字符识别技术.docVIP

1OCR简介

OCR是英文OpticalCharacterRecognition的缩写，意思是光学字符辨认，也可简朴地称为文字辨认，是文字自动输入的一种方法。它通过扫描和摄像等光学输入方式获取纸张上的文字图像信息，运用各种模式辨认算法分析文字形态特性，判断出汉字的标准编码，并按通用格式存储在文本文献中，从主线上改变了人们对计算机汉字人工编码录入的概念。使人们从繁重的键盘录入汉字的劳动中解脱出来。只要用扫描仪将整页文本图像输入到计算机，就能通过OCR软件自动产生汉字文本文献，这与人手工键入的汉字效果是同样的，但速度比手工快几十倍。比如用手机给名片拍照，名片中的姓名、电话号码等信息就会自动辨认进入到手机中，从此查询、拨打轻而易举。目前支持该功能的手机重要有摩托罗拉A1200、索爱P990和LGG832等。所以，OCR是一种非常快捷、省力的文字输入方式，也是在文字量比较大的今天，很受人们欢迎的一种输入方式。

2OCR的发展概况

20世纪70年代初，日本的学者开始研究汉字辨认，并做了大量的工作。我国研究汉字辨认的起步比较晚，20世纪70年代末才开始进行OCR的研究工作。初期的OCR软件，由于辨认率及产品化等多方面的因素，未能达成实际规定。同时，由于硬件设备成本高，运营速度慢，也没有达成实用的限度。只有个别部门，如信息部门、新闻出版单位等使用OCR软件。1

986年以后我国的OCR研究有了很大进展，在汉字建模和辨认方法上都有所创新，在系统研制和开发应用中都取得了丰硕的成果，不少单位相继推出了中文OCR产品。

进入20世纪90年代以后，随着平台式扫描仪的广泛应用，以及我国信息自动化和办公自动化的普及，大大推动了OCR技术的进一步发展，使OCR的辨认对的率、辨认速度满足了广大用户的规定。

目前，比较流行的OCR软件很多，英文OCR重要有OmniPage，中文OCR重要有清华紫光OCR、清华文通OCR、汉王OCR、中晶尚书OCR、丹青OCR、蒙恬OCR等。尽管汉字字量大、字形复杂，但OCR技术已经走向成熟。许多OCR软件不仅能辨认黑白印刷体汉字，还能辨认灰度和彩色印刷体汉字，辨认速度不久，辨认对的率达成了99％以上；可辨认宋体、黑体、楷体等多种字体的简、繁体；可对多种字体、不同字号的混排进行辨认；有些OCR软件还能辨认图像、表格。与此同时，对于手写体汉字辨认的研究也取得了很大进展，对的辨认率已达成了70％以上。

3OCR系统的组成

汉字辨认软件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。因此，汉字辨认归根结底是一个图像辨认问题。由于汉字信息量很大，具有不同的字形、字体，并且结构复杂，因此汉字辨认的过程极其复杂。由于扫描仪的普及与广泛应用，OCR软件只需提供与扫描仪的接口，运用扫描仪驱动软件即可。因此，OCR软件重要是由图像解决模块、版面划分模块、文字辨认模块和文字编辑模块等4部分组成。

1）图像解决模块

图像解决模块重要具有文稿扫描、图像缩放、图像旋转等功能。通过扫描仪输入后，文稿形成图像文献，图像解决模块可对图像进行放大，去除污点和划痕，假如图像放置不正，可以手工或自动旋转图像，目的是为文字辨认发明更好的条件，使辨认率更高。

2）版面划分模块

版面划分模块重要涉及版面划分、更改划分，即对版面的理解、字切分、归一化等，可选择自动或手动两种版面划分方式。目的是告诉OCR软件将同一版面的文章、表格等分开，以便于分别解决，并按照如何的顺序进行辨认。

3）文字辨认模块

文字辨认模块是OCR软件的核心部分，文字辨认模块重要对输入的汉字进行阅读，但不能一目多行，必须逐行切割，对于汉字通常也是一个字一个字地辨认，即单字辨认，再进行归一化。文字辨认模块通过对不同样本汉字的特性进行提取，完毕辨认，自动查找可疑字，具有前后联想等功能。

4）文字编辑模块

文字编辑模块重要对OCR辨认后的文字进行修改、编辑，如系统辨认认为有误，则文字会以醒目的红色或蓝色显示，并提供相似的文字供选择，选择编辑器供输出等。

4OCR辨认的一般环节

(1)文稿扫描后，刚开始出现在视窗中的要辨认的文字画面很小，一方面选择放大工具，对画面进行适当放大，以使画面看得更清楚。必要时还可以选择缩小工具，将画面适当缩小。

(2)假如画面需要旋转90°，180°或270°，可使用旋转图像工具旋转图像。假如文字画面倾斜，可选择倾斜校正工具，将画面调正。

(3)辨认时选择设定辨认区域工具，在文字画面上框出要辨认的区域，这时也可根据画面情况框出多个区域。假如所框区域有误，则可使用删除辨认区域工具，删除所选辨认区域。

(4)为了提高辨认率，假如所选辨认区有杂点或有不能辨认的图像，则可选择擦除