OCR光學(xué)字符識(shí)別技術(shù)

1、1 ocr簡(jiǎn)介ocr是英文optical character recognition的縮寫(xiě)，意思是光學(xué)字符識(shí)別，也可簡(jiǎn)單地稱(chēng)為文字識(shí)別，是文字自動(dòng)輸入的一種方法。它通過(guò)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(shí)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，從根本上改變了人們對(duì)計(jì)算機(jī)漢字人工編碼錄入的概念。使人們從繁重的鍵盤(pán)錄入漢字的勞動(dòng)中解脫出來(lái)。只要用掃描儀將整頁(yè)文本圖像輸入到計(jì)算機(jī)，就能通過(guò)ocr軟件自動(dòng)產(chǎn)生漢字文本文件，這與人手工鍵入的漢字效果是一樣的，但速度比手工快幾十倍。比如用手機(jī)給名片拍照，名片中的姓名、電話號(hào)碼等信息就會(huì)自動(dòng)識(shí)別

2、進(jìn)入到手機(jī)中，從此查詢(xún)、撥打輕而易舉。目前支持該功能的手機(jī)主要有摩托羅拉a1200、索愛(ài)p990和lg g832等。所以，ocr是一種非?？旖?、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。2 ocr的發(fā)展概況20世紀(jì)70年代初，日本的學(xué)者開(kāi)始研究漢字識(shí)別，并做了大量的工作。我國(guó)研究漢字識(shí)別的起步比較晚，20世紀(jì)70年代末才開(kāi)始進(jìn)行ocr的研究工作。早期的ocr軟件，由于識(shí)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(méi)有達(dá)到實(shí)用的程度。只有個(gè)別部門(mén)，如信息部門(mén)、新聞出版單位等使用ocr軟件。1986年以后我國(guó)的ocr研究有了

3、很大進(jìn)展，在漢字建模和識(shí)別方法上都有所創(chuàng)新，在系統(tǒng)研制和開(kāi)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(tái)式掃描儀的廣泛應(yīng)用，以及我國(guó)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(shí)別正確率、識(shí)別速度滿(mǎn)足了廣大用戶(hù)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(shū)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(shí)別黑白印刷體漢字，還能識(shí)別灰度和彩色印刷體漢字，識(shí)別速度很快

4、，識(shí)別正確率達(dá)到了99以上；可識(shí)別宋體、黑體、楷體等多種字體的簡(jiǎn)、繁體；可對(duì)多種字體、不同字號(hào)的混排進(jìn)行識(shí)別；有些ocr軟件還能識(shí)別圖像、表格。與此同時(shí)，對(duì)于手寫(xiě)體漢字識(shí)別的研究也取得了很大進(jìn)展，正確識(shí)別率已達(dá)到了70以上。3 ocr系統(tǒng)的組成漢字識(shí)別軟件ocr的功能是將各種錄入漢字、印刷體或手寫(xiě)體中每個(gè)漢字的圖形或圖像通過(guò)計(jì)算機(jī)辨認(rèn)出來(lái)，并標(biāo)出漢字類(lèi)別代碼。因此，漢字識(shí)別歸根結(jié)底是一個(gè)圖像識(shí)別問(wèn)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(shí)別的過(guò)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

5、像處理模塊、版面劃分模塊、文字識(shí)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(guò)掃描儀輸入后，文稿形成圖像文件，圖像處理模塊可對(duì)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(shí)別創(chuàng)造更好的條件，使識(shí)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(duì)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(kāi)，以便于分別處理，并按照怎樣的順序進(jìn)行識(shí)別。3）文字識(shí)別模塊 文字識(shí)別模塊是ocr軟件的核心部分，文字識(shí)別模塊主要對(duì)

6、輸入的漢字進(jìn)行"閱讀"，但不能一目多行，必須逐行切割，對(duì)于漢字通常也是一個(gè)字一個(gè)字地辨認(rèn)，即單字識(shí)別，再進(jìn)行歸一化。文字識(shí)別模塊通過(guò)對(duì)不同樣本漢字的特征進(jìn)行提取，完成識(shí)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(duì)ocr識(shí)別后的文字進(jìn)行修改、編輯，如系統(tǒng)識(shí)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。4 ocr識(shí)別的一般步驟(1)文稿掃描后，剛開(kāi)始出現(xiàn)在視窗中的要識(shí)別的文字畫(huà)面很小，首先選擇"放大"工具，對(duì)畫(huà)面進(jìn)行適當(dāng)放大，以使畫(huà)面看得更清楚。必要時(shí)還可以選擇"縮小&quo

7、t;工具，將畫(huà)面適當(dāng)縮小。(2)如果畫(huà)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(huà)面傾斜，可選擇"傾斜校正"工具，將畫(huà)面調(diào)正。(3)識(shí)別時(shí)選擇"設(shè)定識(shí)別區(qū)域"工具，在文字畫(huà)面上框出要識(shí)別的區(qū)域，這時(shí)也可根據(jù)畫(huà)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(shí)別區(qū)域"工具，刪除所選識(shí)別區(qū)域。(4)為了提高識(shí)別率，如果所選識(shí)別區(qū)有雜點(diǎn)或有不能識(shí)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

8、擇"擦拭圖像塊"工具。(5)點(diǎn)擊"識(shí)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(shí)別"畫(huà)面，將識(shí)別的文字逐步顯示出來(lái)，"文稿校對(duì)"窗口。許多ocr軟件都具有文字修改功能，被識(shí)別出可能有錯(cuò)誤的文字，用比較鮮明的顏色顯示出來(lái)，并且可以進(jìn)行修改。(6) 將識(shí)別后的文件存儲(chǔ)成文本(txt)文件或word的rtf文件。 一個(gè)ocr識(shí)別系統(tǒng)，其目的很簡(jiǎn)單，只是要把影像作一個(gè)轉(zhuǎn)換，使影像內(nèi)的圖形繼續(xù)保存、有表格則表格內(nèi)資料及影像內(nèi)的文字，一律變成計(jì)算機(jī)文字，使能達(dá)到影像資料的儲(chǔ)存量減少、識(shí)別出的文字可再使用及分析，當(dāng)然

9、也可節(jié)省因鍵盤(pán)輸入的人力與時(shí)間。5 ocr技術(shù)的應(yīng)用及其優(yōu)勢(shì) 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(shū)館，各種報(bào)表的識(shí)別，以及銀行、稅務(wù)系統(tǒng)票據(jù)的識(shí)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(lái)越廣泛。 無(wú)論是讓計(jì)算機(jī)對(duì)文字進(jìn)行排版輸出，還是要讓計(jì)算機(jī)認(rèn)識(shí)它看到文字，所有這一切都是為我們生活服務(wù)。信息化和數(shù)字化的進(jìn)程，讓我們不再安于用十指敲擊鍵盤(pán)來(lái)輸入數(shù)據(jù)。人們希望能將時(shí)間和精力投入到更具創(chuàng)造性的工作中去，因而希望計(jì)算機(jī)等輔助設(shè)備能更具智慧。ocr技術(shù)就是其中的一項(xiàng)，跟打印技術(shù)相對(duì)，它是讓計(jì)算機(jī)認(rèn)字的一種技術(shù)，這遠(yuǎn)比打印復(fù)雜得多。經(jīng)濟(jì)競(jìng)爭(zhēng)帶來(lái)更多的商務(wù)活動(dòng)

10、，每個(gè)活動(dòng)上名片都是必不可少的主角，名片的管理產(chǎn)品也應(yīng)運(yùn)而生，名片識(shí)別管理工具同樣也是以ocr技術(shù)為核心的產(chǎn)品。通過(guò)名片識(shí)別工具將名片進(jìn)行掃描、識(shí)別、分類(lèi)，不僅能夠?qū)胧謾C(jī)、pda等，而且還能為名片信息進(jìn)行備份，不用擔(dān)心遺失。文通e-card就是一款優(yōu)秀的名片識(shí)別管理產(chǎn)品，ocr技術(shù)能把商務(wù)生活打理得有條不紊，節(jié)約更多的時(shí)間。現(xiàn)在，幾乎所有的掃描儀和一體機(jī)上都配裝ocr軟件，比如hp、uniscan、epson、canon、 lenovo等掃描儀廠商捆綁的就是文通th-ocr。 在掃描儀市場(chǎng)上，許多類(lèi)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ocr，中晶的掃描儀配備了尚書(shū)o

11、cr，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(shí)別的全過(guò)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(guò)掃描儀進(jìn)行掃描，隨后進(jìn)行ocr識(shí)別，或存儲(chǔ)成圖像文件，留待以后進(jìn)行ocr識(shí)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(guó)有很多歷史遺留下來(lái)的大量圖書(shū)、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(shū)館的建立，就需要將圖書(shū)逐頁(yè)掃描，加上ocr軟件的識(shí)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

12、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。ocr技術(shù)的優(yōu)勢(shì)1） 創(chuàng)新著錄標(biāo)引方式ocr技術(shù)提供了一種新的著錄方式，使檔案條目通過(guò)計(jì)算機(jī)錄入成為可能。工作人員可以直接從ocr后的全文中找到著錄項(xiàng)（如題名、文號(hào)、責(zé)任者等），復(fù)制粘貼到目錄數(shù)據(jù)庫(kù)的相應(yīng)字段中去。但這么做必須先掃描檔案全文、ocr，然后再輸條目，顛覆了檔案數(shù)字化工作的一般工作流程，因此可行性并不高。還有一種方法是先將檔案卷內(nèi)目錄掃描、ocr處理，再?gòu)?fù)制粘貼條目，或通過(guò)特定的程序自動(dòng)采集條目信息。但由于很多卷內(nèi)目錄是手寫(xiě)的，ocr無(wú)法識(shí)別，只得依靠手工錄入。相信隨著未來(lái)技術(shù)的發(fā)展，ocr在這方面的應(yīng)用一定能夠有所突破。2 實(shí)現(xiàn)真正的全文檢索3支持雙層pdf技術(shù)雙層pdf技術(shù)既能較好地保證檔案的原真性，在用戶(hù)需要時(shí)又能對(duì)檔案中的文字進(jìn)行選擇、復(fù)制、搜