OCR光学字符识别技术.docx

OCR光学字符识别技术.docx

《OCR光学字符识别技术.docx》由会员分享，可在线阅读，更多相关《OCR光学字符识别技术.docx（6页珍藏版）》请在冰豆网上搜索。

OCR光学字符识别技术

1OCR简介

OCR是英文OpticalCharacterRecognition的缩写，意思是光学字符识别，也可简单地称为文字识别，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，利用各种模式识别算法分析文字形态特征，判断出汉字的标准编码，并按通用格式存储在文本文件中，从根本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件，这与人手工键入的汉字效果是一样的，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识别进入到手机中，从此查询、拨打轻而易举。

目前支持该功能的手机主要有摩托罗拉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识别，并做了大量的工作。

我国研究汉字识别的起步比较晚，20世纪70年代末才开始进行OCR的研究工作。

早期的OCR软件，由于识别率及产品化等多方面的因素，未能达到实际要求。

同时，由于硬件设备成本高，运行速度慢，也没有达到实用的程度。

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，在汉字建模和识别方法上都有所创新，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的识别正确率、识别速度满足了广大用户的要求。

目前，比较流行的OCR软件很多，英文OCR主要有OmniPage，中文OCR主要有清华紫光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软件不仅能识别黑白印刷体汉字，还能识别灰度和彩色印刷体汉字，识别速度很快，识别正确率达到了99％以上；可识别宋体、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识别；有些OCR软件还能识别图像、表格。

与此同时，对于手写体汉字识别的研究也取得了很大进展，正确识别率已达到了70％以上。

3OCR系统的组成

汉字识别软件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，汉字识别归根结底是一个图像识别问题。

由于汉字信息量很大，具有不同的字形、字体，而且结构复杂，因此汉字识别的过程极其复杂。

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，利用扫描仪驱动软件即可。

因此，OCR软件主要是由图像处理模块、版面划分模块、文字识别模块和文字编辑模块等4部分组成。

1）图像处理模块

图像处理模块主要具有文稿扫描、图像缩放、图像旋转等功能。

通过扫描仪输入后，文稿形成图像文件，图像处理模块可对图像进行放大，去除污点和划痕，如果图像放置不正，可以手工或自动旋转图像，目的是为文字识别创造更好的条件，使识别率更高。

2）版面划分模块

版面划分模块主要包括版面划分、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，以便于分别处理，并按照怎样的顺序进行识别。

3）文字识别模块

文字识别模块是OCR软件的核心部分，文字识别模块主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，即单字识别，再进行归一化。

文字识别模块通过对不同样本汉字的特征进行提取，完成识别，自动查找可疑字，具有前后联想等功能。

4）文字编辑模块

文字编辑模块主要对OCR识别后的文字进行修改、编辑，如系统识别认为有误，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识别的一般步骤

（1）文稿扫描后，刚开始出现在视窗中的要识别的文字画面很小，首先选择"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）如果画面需要旋转90°，180°或270°，可使用"旋转图像"工具旋转图像。

如果文字画面倾斜，可选择"倾斜校正"工具，将画面调正。

（3）识别时选择"设定识别区域"工具，在文字画面上框出要识别的区域，这时也可根据画面情况框出多个区域。

如果所框区域有误，则可使用"删除识别区域"工具，删除所选识别区域。

（4）为了提高识别率，如果所选识别区有杂点或有不能识别的图像，则可选择"擦除图像杂点"工具，将杂点一点一点地擦除。

如果需要成片地擦除，则可选择"擦拭图像块"工具。

（5）点击"识别"图标，则OCR显示正在进行文字切分，然后转入"正在识别"画面，将识别的文字逐步显示出来，"文稿校对"窗口。

许多OCR软件都具有文字修改功能，被识别出可能有错误的文字，用比较鲜明的颜色显示出来，并且可以进行修改。

（6）将识别后的文件存储成文本（TXT）文件或Word的RTF文件。

一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少、识别出的文字可再使用及分析，当然也可节省因键盘输入的人力与时间。

5OCR技术的应用及其优势

目前OCR软件与扫描仪的搭配已应用到信息化时代的多个领域，如数字化图书馆，各种报表的识别，以及银行、税务系统票据的识别等。

随着网络化、信息化的发展与普及，其应用范围将越来越广泛。

无论是让计算机对文字进行排版输出，还是要让计算机认识它看到文字，所有这一切都是为我们生活服务。

信息化和数字化的进程，让我们不再安于用十指敲击键盘来输入数据。

人们希望能将时间和精力投入到更具创造性的工作中去，因而希望计算机等辅助设备能更具智慧。

OCR技术就是其中的一项，跟打印技术相对，它是让计算机认字的一种技术，这远比打印复杂得多。

　　经济竞争带来更多的商务活动，每个活动上名片都是必不可少的主角，名片的管理产品也应运而生，名片识别管理工具同样也是以OCR技术为核心的产品。

通过名片识别工具将名片进行扫描、识别、分类，不仅能够导入手机、PDA等，而且还能为名片信息进行备份，不用担心遗失。

文通e-card就是一款优秀的名片识别管理产品，OCR技术能把商务生活打理得有条不紊，节约更多的时间。

现在，几乎所有的扫描仪和一体机上都配装OCR软件，比如HP、UNISCAN、EPSON、CANON、LENOVO等扫描仪厂商捆绑的就是文通TH-OCR。

在扫描仪市场上，许多类型的办公和家用扫描仪均配有OCR软件，如紫光的扫描仪配备了紫光OCR，中晶的扫描仪配备了尚书OCR，Mustek的扫描仪配备了丹青OCR等。

扫描仪与OCR软件共同承担着从文稿的输入到文字识别的全过程。

文稿扫描在办公领域中经常用到，即将报纸、杂志等媒体上刊载的有关文稿通过扫描仪进行扫描，随后进行OCR识别，或存储成图像文件，留待以后进行OCR识别，将图像文件转换成文本文件或Word文件进行存储。

此外，数字化信息的存储、传输、不仅成本低、效率高，而且能够适应排版，网络传输等不断发展的需要。

目前我国有很多历史遗留下来的大量图书、报刊、杂志等纸质珍品，急需将其转换成电子信息。

如电子图书馆的建立，就需要将图书逐页扫描，加上OCR软件的识别，更替代了人工键入文字的工作，大大缩短了录入时间，减轻了劳动强度，节省了人力且降低了费用，提高了录入正确率、工作效率和现代办公自动化程度。

OCR技术的优势

1）创新著录标引方式

OCR技术提供了一种新的著录方式，使档案条目通过计算机录入成为可能。

工作人员可以直接从OCR后的全文中找到著录项（如题名、文号、责任者等），复制粘贴到目录数据库的相应字段中去。

②但这么做必须先扫描档案全文、OCR，然后再输条目，颠覆了档案数字化工作的一般工作流程，因此可行性并不高。

还有一种方法是先将档案卷内目录扫描、OCR处理，再复制粘贴条目，或通过特定的程序自动采集条目信息③。

但由于很多卷内目录是手写的，OCR无法识别，只得依靠手工录入。

相信随着未来技术的发展，OCR在这方面的应用一定能够有所突破。

2．实现真正的全文检索

　3．支持双层PDF技术

双层PDF技术既能较好地保证档案的原真性，在用户需要时又能对档案中的文字进行选择、复制、搜索等处理，因此必将在今后的档案数字化工作中越来越得到青睐。

而这一技术的运用必须首先以OCR技术为支撑。

4．拓宽档案用户利用面

将纸质档案数字化，并采用OCR识别，能够使档案信息资源实现全文检索、网络传输，方便用户异地检索、复制引用，从而深化用户对档案内容的查询与利用，拓宽其利用面，使档案也能像图书、情报一样成为人们日常生活中获取信息、利用信息、增加学识的手段，使档案多方面地服务于公众。