掃描儀與OCR課件

掃描儀與OCR技術(shù)1、什么是掃描儀？

掃描儀是一種獲取圖像的設(shè)備，并將信息轉(zhuǎn)為電腦可以顯示、編輯、存儲(chǔ)和輸出的數(shù)字格式。即可以完成以下工作：在文件中插隊(duì)圖和照片；將文字識(shí)別，免去打字；將傳真文件掃到庫(kù)中存檔；在多媒體中加入圖像；在報(bào)刊中加入圖片有效表達(dá)主題。掃描儀通過光源照射到被掃描的材料上來獲得材料的圖像。材料將光線反射到CCD（ChangeCoupledDevice，電荷偶合器件）的光敏元件上，由于材料不同的位置反射的光線強(qiáng)弱不同，CCD器件將光線轉(zhuǎn)換成數(shù)字信號(hào)，并傳送到計(jì)算機(jī)中，此時(shí)我們就獲得了材料的圖像。如果您將紙張上的文字掃描到電腦中就可以通過OCR（光學(xué)字符識(shí)別）軟件將圖像轉(zhuǎn)換成文字，可以減輕錄入工作。掃描儀的技術(shù)發(fā)展很快，但就其光學(xué)系統(tǒng)而言，不外乎CIS、CCD和棱鏡分色系統(tǒng)幾類，由于CIS(接觸式圖像傳感器)十分適合OCR(光學(xué)字符識(shí)別)，特別是其黑白方式，比CCD方式的掃描儀價(jià)格低廉，所以市場(chǎng)占有率曾一度較大，但隨著掃描儀市場(chǎng)從黑白到灰度再到彩色的轉(zhuǎn)變，彩色CIS掃描儀也已進(jìn)入市場(chǎng)。采用三棱鏡分色系統(tǒng)，使得彩色掃描儀的關(guān)鍵技術(shù)全面提高，該系統(tǒng)利用光學(xué)物理原理，以三棱鏡來分離自然光R、G、B三原色，由于三原色采用一致的角度，同一時(shí)間曝光完成，使掃描的圖像的邊緣光潔度十分理想，掃描三維立體圖像時(shí)，效果更好，這一技術(shù)代表未來新潮流，目前，只有少數(shù)幾個(gè)廠家擁有該技術(shù)。CCD是目前掃描儀的主要技術(shù)，它的發(fā)展已從黑白、灰度演變到8位、12位、24位、30位乃至36位彩色，這決定了掃描儀的基本發(fā)展趨勢(shì)，即其精度和色彩度方面將不斷增高。

決定掃描儀掃描質(zhì)量的因素很多，首先，分辨率是掃描儀的一項(xiàng)重要指標(biāo)，掃描儀的分辨率包括光學(xué)分辨率和插值分辨率，作為掃描儀真實(shí)分辨率的光學(xué)分辨率，又分為水平分辨率和垂直分辨率兩種方式，水平分辨率和光源系統(tǒng)CCD的真實(shí)分辨率及相應(yīng)的硬件電路設(shè)計(jì)有關(guān)，它是由CCD的像素點(diǎn)數(shù)除以掃描儀最大可掃描尺寸而得到的數(shù)值；垂直分辨率則與傳動(dòng)機(jī)構(gòu)的精密程度有關(guān)，水平分辨率較垂直分辨率顯得更為重要。為提高掃描儀的圖像質(zhì)量，利用軟件技術(shù)在硬件產(chǎn)生的像點(diǎn)之間插入另外的像點(diǎn)，由此獲得的分辨率稱為插值分辨率，該種分辨率在一定程度上使掃描儀的圖像質(zhì)量得到提高。所以，選擇掃描儀一定要弄清其光學(xué)分辨率是多少，即便是光學(xué)分辨率高的掃描儀，在處理不同的掃描儀介質(zhì)對(duì)象時(shí)，其性能表現(xiàn)也迥然不同。

例如在掃描彩色照片時(shí)，較低的分辨率效果反而更好，一般而言，分辨率在150~200dpi之間為最佳；而掃描膠片時(shí)則需要較高的分辨率，因此在選擇掃描儀時(shí)，對(duì)分辨率因素的選擇要和用戶的用途結(jié)合起來考慮。掃描儀具有精確的縮放技術(shù)能力也是非常重要的，它可極大地影響圖像質(zhì)量、掃描文件的大小以及掃描和處理的時(shí)間?？s放的質(zhì)量和掃描圖像的質(zhì)量在不同掃描儀間差異非常大。實(shí)驗(yàn)結(jié)果表明，一定的插值分辨率在一特定的掃描儀中能產(chǎn)生最小的鋸齒，而在其他插值分辨率下，卻不一定具有最低的鋸齒。某插值分辨率對(duì)某一掃描儀合適，對(duì)另一掃描儀卻不一定帶來最低的鋸齒，因此，僅根據(jù)插值分辨率的大小判斷掃描儀的質(zhì)量是不可靠的。

決定掃描質(zhì)量的因素還有色彩定位能力、圖像噪音、灰度精確度、光源的一致性等。另外，掃描儀的掃描速度和掃描圖像的質(zhì)量之間一直是相互制約的，掃描速度的提高總是以損失圖像信息為代價(jià)，對(duì)掃描儀的這一指標(biāo)，也應(yīng)該和傳統(tǒng)的認(rèn)識(shí)有所區(qū)別。事實(shí)上，傳統(tǒng)的掃描速度只是將圖像送入計(jì)算機(jī)中所需的時(shí)間大小的度量，除了用于光學(xué)字符識(shí)別(OCR)或進(jìn)行掃描文檔管理的掃描儀之外，掃描速度不是十分關(guān)鍵的指標(biāo)，而其他指標(biāo)也影響掃描處理的速度，如從掃描儀到計(jì)算機(jī)的數(shù)據(jù)傳輸速度；圖像存儲(chǔ)到磁盤的速度；掃描圖像瀏覽和設(shè)置曝光的時(shí)間；對(duì)掃描結(jié)果進(jìn)行校正處理和調(diào)整的時(shí)間等。

一、OCR的發(fā)展

要談OCR的發(fā)展，早在60、70年代，世界各國(guó)就開始有OCR的研究，而研究的初期，多以文字的識(shí)別方法研究為主，且識(shí)別的文字僅為0至9的數(shù)字。以同樣擁有方塊文字的日本為例，1960年左右開始研究OCR的基本識(shí)別理論，初期以數(shù)字為對(duì)象，直至1965至1970年之間開始有一些簡(jiǎn)單的產(chǎn)品，如印刷文字的郵政編碼識(shí)別系統(tǒng)，識(shí)別郵件上的郵政編碼，幫助郵局作區(qū)域分信的作業(yè)；也因此至今郵政編碼一直是各國(guó)所倡導(dǎo)的地址書寫方式。

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)然也可節(jié)省因鍵盤輸入的人力與時(shí)間。掃描：掃描是紙質(zhì)文稿圖像輸入計(jì)算機(jī)的過程。一般把相關(guān)文稿順序掃描，在掃描質(zhì)量控制程序自動(dòng)檢測(cè)并修正后，自動(dòng)保存到數(shù)據(jù)庫(kù)中。圖像處理：為了提高識(shí)別率，對(duì)圖像進(jìn)行“消藍(lán)去污”的處理，即去掉圖像上影響識(shí)別率的噪音如麻點(diǎn)、下劃線等，圖像質(zhì)量控制程序自動(dòng)監(jiān)測(cè)圖像處理質(zhì)量。版面分析：能自動(dòng)進(jìn)行版面理解并定位，判別劃框區(qū)域是橫排文本區(qū)、豎排文本區(qū)、表格區(qū)還是圖像區(qū)，并對(duì)不同屬性的區(qū)域以不同顏色的線框標(biāo)識(shí)出來。自動(dòng)版面分析在后臺(tái)運(yùn)行，操作人員可在前臺(tái)進(jìn)行確認(rèn)，必要時(shí)對(duì)自動(dòng)版面分析結(jié)果加入手工干預(yù)。識(shí)別：把文字圖像轉(zhuǎn)化為計(jì)算機(jī)文字內(nèi)碼，可以識(shí)別印刷體和手寫體中文(包括簡(jiǎn)體字和繁體字)、表格、中英文混排，識(shí)別出來的文字內(nèi)碼可以是GB碼、BIG5碼、GBK碼或者Unicode碼。識(shí)別過程在后臺(tái)運(yùn)行?？v向校對(duì)：縱向校對(duì)是將一個(gè)圖像或若干個(gè)圖像中識(shí)別成同一個(gè)字的文字圖像列在一起顯示，并以突出顏色標(biāo)出可疑字，便于操作員發(fā)現(xiàn)錯(cuò)誤和修改。橫向校對(duì)：這是傳統(tǒng)的人工校對(duì)方法，操作員直接對(duì)比識(shí)別結(jié)果文本和圖像，以發(fā)現(xiàn)識(shí)別錯(cuò)誤文字。系統(tǒng)自動(dòng)調(diào)出文字對(duì)應(yīng)的圖像，進(jìn)行比對(duì)。同時(shí)，以醒目的顏色標(biāo)出識(shí)別可信度不高的文字。版面還原：將識(shí)別并修改好的文本還原成跟掃描文稿版面的布局一樣、可以供計(jì)算機(jī)閱讀和查詢檢索的RTF、PDF、HTML、SGML/XML格式的數(shù)字文檔。文字特征抽取：?jiǎn)我宰R(shí)別率而言，特征抽取可說是OCR的核心，用什么特征、怎么抽取，直接影響識(shí)別的好壞，也所以在OCR研究初期，特征抽取的研究報(bào)告特別的多。而特征可說是識(shí)別的籌碼，簡(jiǎn)易的區(qū)分可分為兩類：一為統(tǒng)計(jì)的特征，如文字區(qū)域內(nèi)的黑/白點(diǎn)數(shù)比，當(dāng)文字區(qū)分成好幾個(gè)區(qū)域時(shí)，這一個(gè)個(gè)區(qū)域黑/白點(diǎn)數(shù)比之聯(lián)合，就成了空間的一個(gè)數(shù)值向量，在比對(duì)時(shí)，基本的數(shù)學(xué)理論就足以應(yīng)付了。而另一類特征為結(jié)構(gòu)的特征，如文字影像細(xì)線化后，取得字的筆劃端點(diǎn)、交叉點(diǎn)之?dāng)?shù)量及位置，或以筆劃段為特征，配合特殊的比對(duì)方法，進(jìn)行比對(duì)，市面上的線上手寫輸入軟件的識(shí)別方法多以此種結(jié)構(gòu)的方法為主。

對(duì)比數(shù)據(jù)庫(kù)：當(dāng)輸入文字算完特征后，不管是用統(tǒng)計(jì)或結(jié)構(gòu)的特征，都須有一比對(duì)數(shù)據(jù)庫(kù)或特征數(shù)據(jù)庫(kù)來進(jìn)行比對(duì)，數(shù)據(jù)庫(kù)的內(nèi)容應(yīng)包含所有欲識(shí)別的字集文字，根據(jù)與輸入文字一樣的特征抽取方法所得的特征群組。

對(duì)比識(shí)別：這是可充分發(fā)揮數(shù)學(xué)運(yùn)算理論的一個(gè)模塊，根據(jù)不同的特征特性，選用不同的數(shù)學(xué)距離函數(shù)，較有名的比對(duì)方法有，歐式空間的比對(duì)方法、以及類神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫(kù)建立及比對(duì)、等著名的方法，為了使識(shí)別的結(jié)果更穩(wěn)定，也有所謂的專家系統(tǒng)，利用各種特征比對(duì)方