什么是OCR

什么是OCR

OCR的英文全稱：

OCR是英文Optical Character Recognition的縮寫，意思是光學(xué)字符識別，也可簡單地稱為文字識別，是文字自動(dòng)輸入的一種方法。它通過掃描和攝像等光學(xué)輸入方式獲取紙張上的文字圖像信息，利用各種模式識別算法分析文字形態(tài)特征，判斷出漢字的標(biāo)準(zhǔn)編碼，并按通用格式存儲(chǔ)在文本文件中，所以，OCR是一種非常快捷、省力的文字輸入方式，也是在文字量比較大的今天，很受人們歡迎的一種輸入方式。

OCR的發(fā)展簡況

OCR的概念是在1929年由德國科學(xué)家Tausheck最先提出來的，后來美國科學(xué)家Handel也提出了利用技術(shù)對文字進(jìn)行識別的想法。而最早對印刷體漢字識別進(jìn)行研究的是IBM公司的Casey和Nagy，1966年他們發(fā)表了第一篇關(guān)于漢字識別的文章，采用了模板匹配法識別了1000個(gè)印刷體漢字。

20世紀(jì)70年代初，日本的學(xué)者開始研究漢字識別，并做了大量的工作。我國研究漢字識別的起步比較晚，20世紀(jì)70年代末才開始進(jìn)行OCR的研究工作。早期的OCR軟件，由于識別率及產(chǎn)品化等多方面的因素，未能達(dá)到實(shí)際要求。同時(shí)，由于硬件設(shè)備成本高，運(yùn)行速度慢，也沒有達(dá)到實(shí)用的程度。只有個(gè)別部門，如信息部門、新聞出版單位等使用OCR軟件。1986年以后我國的OCR研究有了很大進(jìn)展，在漢字建模和識別方法上都有所創(chuàng)新，在系統(tǒng)研制和開發(fā)應(yīng)用中都取得了豐碩的成果，不少單位相繼推出了中文OCR產(chǎn)品。進(jìn)入20世紀(jì)90年代以后，隨著平臺式掃描儀的廣泛應(yīng)用，以及我國信息自動(dòng)化和辦公自動(dòng)化的普及，大大推動(dòng)了OCR技術(shù)的進(jìn)一步發(fā)展，使OCR的識別正確率、識別速度滿足了廣大用戶的要求。

目前，比較流行的OCR軟件很多，英文OCR主要有OmniPage，中文OCR主要有清華紫光OCR、清華文通OCR、漢王OCR、中晶尚書OCR、丹青OCR、蒙恬OCR等。盡管漢字字量大、字形復(fù)雜，但OCR技術(shù)已經(jīng)走向成熟。許多OCR軟件不僅能識別黑白印刷體漢字，還能識別灰度和彩色印刷體漢字，識別速度很快，識別正確率達(dá)到了99％以上；可識別宋體、黑體、楷體等多種字體的簡、繁體；可對多種字體、不同字號的混排進(jìn)行識別；有些OCR軟件還能識別圖像、表格。與此同時(shí)，對于手寫體漢字識別的研究也取得了很大進(jìn)展，正確識別率已達(dá)到了70％以上。

OCR軟件的應(yīng)用

在掃描儀市場上，許多類型的辦公和家用掃描儀均配有OCR軟件，如紫光的掃描儀配備了紫光O

CR，中晶的掃描儀配備了尚書OCR，Mustek的掃描儀配備了丹青OCR等。掃描儀與OCR軟件共同承擔(dān)著從文稿的輸入到文字識別的全過程。

文稿掃描在辦公領(lǐng)域中經(jīng)常用到，即將報(bào)紙、雜志等媒體上刊載的有關(guān)文稿通過掃描儀進(jìn)行掃描，隨后進(jìn)行OCR識別，或存儲(chǔ)成圖像文件，留待以后進(jìn)行OCR識別，將圖像文件轉(zhuǎn)換成文本文件或Word文件進(jìn)行存儲(chǔ)。

此外，數(shù)字化信息的存儲(chǔ)、傳輸、不僅成本低、效率高，而且能夠適應(yīng)排版，網(wǎng)絡(luò)傳輸?shù)炔粩喟l(fā)展的需要。目前我國有很多歷史遺留下來的大量圖書、報(bào)刊、雜志等紙質(zhì)珍品，急需將其轉(zhuǎn)換成電子信息。如電子圖書館的建立，就需要將圖書逐頁掃描，加上OCR軟件的識別，更替代了人工鍵入文字的工作，大大縮短了錄入時(shí)間，減輕了勞動(dòng)強(qiáng)度，節(jié)省了人力且降低了費(fèi)用，提高了錄入正確率、工作效率和現(xiàn)代辦公自動(dòng)化程度。

目前OCR軟件與掃描儀的搭配已應(yīng)用到信息化時(shí)代的多個(gè)領(lǐng)域，如數(shù)字化圖書館，各種報(bào)表的識別，以及銀行、稅務(wù)系統(tǒng)票據(jù)的識別等。隨著網(wǎng)絡(luò)化、信息化的發(fā)展與普及，其應(yīng)用范圍將越來越廣泛。

OCR系統(tǒng)的組成

漢字識別軟件OCR的功能是將各種錄入漢字、印刷體或手寫體中每個(gè)漢字的圖形或圖像通過計(jì)算機(jī)辨認(rèn)出來，并標(biāo)出漢字類別代碼。因此，漢字識別歸根結(jié)底是一個(gè)圖像識別問題。由于漢字信息量很大，具有不同的字形、字體，而且結(jié)構(gòu)復(fù)雜，因此漢字識別的過程極其復(fù)雜。

由于掃描儀的普及與廣泛應(yīng)用，OCR軟件只需提供與掃描儀的接口，利用掃描儀驅(qū)動(dòng)軟件即可。因此，OCR軟件主要是由圖像處理模塊、版面劃分模塊、文字識別模塊和文字編輯模塊等4部分組成。

1、圖像處理模塊

圖像處理模塊主要具有文稿掃描、圖像縮放、圖像旋轉(zhuǎn)等功能。通過掃描儀輸入后，文稿形成圖像文件，圖像處理模塊可對圖像進(jìn)行放大，去除污點(diǎn)和劃痕，如果圖像放置不正，可以手工或自動(dòng)旋轉(zhuǎn)圖像，目的是為文字識別創(chuàng)造更好的條件，使識別率更高。

2、版面劃分模塊

版面劃分模塊主要包括版面劃分、更改劃分，即對版面的理解、字切分、歸一化等，可選擇自動(dòng)或手動(dòng)兩種版面劃分方式。目的是告訴OCR軟件將同一版面的文章、表格等分開，以便于分別處理，并按照怎樣的順序進(jìn)行識別。

3、文字識別模塊

文字識別模塊是OCR軟件的核心部分，文字識別模塊主要對輸入的漢字進(jìn)行"閱讀"，但不能一目多行，必須逐行切割，對于漢字通常也是一個(gè)字一個(gè)字地辨認(rèn)，即單字識別，再進(jìn)行歸一化。文字識別模塊通過對不同樣本漢字的特征進(jìn)行提取，完成識別，自動(dòng)查找可疑字，具有前后聯(lián)想等功能。

4、文字編輯模塊

文字編輯模塊主要對OCR識別后的文字進(jìn)行修改、編輯，如系統(tǒng)識別認(rèn)為有誤，則文字會(huì)以醒目的紅色或藍(lán)色顯示，并提供相似的文字供選擇，選擇編輯器供輸出等。

OCR軟件的使用方法

OCR軟件的種類雖然很多，但其使用方法大同小異。首先要對文稿進(jìn)行掃描，然后進(jìn)行OCR識別。OCR軟件的使用方法如下：

1、文稿掃描

為了利用OCR軟件進(jìn)行文字識別，可直接在OCR軟件中掃描文稿。運(yùn)行OCR軟件后，會(huì)出現(xiàn)OCR軟件界面。

將要掃描的文稿放在掃描儀的玻璃面上，使要掃描的一面朝向掃描儀的玻璃面并讓文稿的上端朝下，與標(biāo)尺邊緣對齊，再將掃描儀蓋上，即可準(zhǔn)備掃描。點(diǎn)擊視窗中的"掃描"鍵，即可進(jìn)入掃描驅(qū)動(dòng)軟件進(jìn)行掃描，有關(guān)掃描方法這里不再贅述。但應(yīng)注意的是：分辨力可設(shè)置在200～400dpi，對于文本文檔，調(diào)整亮度適中很關(guān)鍵。掃描后的文檔圖像出現(xiàn)在OCR軟件視窗中。

2、OCR識別

為了便于操作，可從菜單中選擇選項(xiàng)，各種圖標(biāo)出現(xiàn)在視窗的左邊。

為了更好使用，首先從上到下介紹畫面左邊的圖標(biāo)：

"放大"工具：用于放大圖像；"縮小"工具：用于縮小圖像；"設(shè)定識別區(qū)域"工具：用于設(shè)定識別區(qū)域；"設(shè)定識別順序"工具：用于設(shè)定識別順序；"刪除識別區(qū)域"工具：用于刪除識別區(qū)域；"擦除圖像雜點(diǎn)"工具：用于擦除圖像中的雜點(diǎn)；"擦拭圖像塊"工具：用于擦除圖像中的某一區(qū)域；"旋轉(zhuǎn)圖像"工具：用于將圖像旋轉(zhuǎn)90°、180°或270°；"傾斜校正"工具：用于手動(dòng)圖像傾斜校正。

OCR識別的一般步驟：

(1)文稿掃描后，剛開始出現(xiàn)在視窗中的要識別的文字畫面很小，首先選擇"放大"工具，對畫面進(jìn)行適當(dāng)放大，以使畫面看得更清楚。必要時(shí)還可以選擇"縮小"工具，將畫面適當(dāng)縮小。

(2)如果畫面需要旋轉(zhuǎn)90°，180°或270°，可使用"旋轉(zhuǎn)圖像"工具旋轉(zhuǎn)圖像。如果文字畫面傾斜，可選擇"傾斜校正"工具，將畫面調(diào)正。

(3)識別時(shí)選擇"設(shè)定識別區(qū)域"工具，在文字畫面上框出要識別的區(qū)域，這時(shí)也可根據(jù)畫面情況框出多個(gè)區(qū)域。如果所框區(qū)域有誤，則可使用"刪除識別區(qū)域"工具，刪除所選識別區(qū)域。

(4)為了提高識別率，如果所選識別區(qū)有雜點(diǎn)或有不能識別的圖像，則可選擇"擦除圖像雜點(diǎn)"工具，將雜點(diǎn)一點(diǎn)一點(diǎn)地擦除。如果需要成片地擦除，則可選擇"擦拭圖像塊"工具。

(5)點(diǎn)擊"識別"圖標(biāo)，則OCR顯示正在進(jìn)行文字切分，然后轉(zhuǎn)入"正在識別"畫面，將識別的文字逐步顯示出來，"文稿校對"窗口。

許多OCR軟件都具有文字修改功能，被識別出可能有錯(cuò)誤的文字，用比較鮮明的顏色顯示出來，并且可以進(jìn)行修改。

(6)將識別后的文件存儲(chǔ)成文本(TXT)文件或Word的RTF文件。