admin 管理员组文章数量: 1184232
2024年4月19日发(作者：python123平台官网)
光学字符识别
OCR是英文Optical Character Recognition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LG G832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。
由于OCR是一门与识别率拔河的技术，因此如何除错或利用辅助信息提
高识别正确率，是OCR最重要的课题，ICR（Intelligent Character Recognition）
的名词也因此而产生。而根据文字资料存在的媒体介质不同，及取得这些资
料的方式不同，就衍生出各式各样、各种不同的应用。
在此对OCR作一基本介绍，包括其技术简介以及其应用介绍。
OCR的发展
要谈OCR的发展，早在60、70年代，世界各国就开始有OCR的研究，而
研究的初期，多以文字的识别方法研究为主，且识别的文字仅为0至9的数
字。以同样拥有方块文字的日本为例，1960年左右开始研究OCR的基本识
别理论，初期以数字为对象，直至1965至1970年之间开始有一些简单的产
品，如印刷文字的邮政编码识别系统，识别邮件上的邮政编码，帮助邮局作
区域分信的作业；也因此至今邮政编码一直是各国所倡导的地址书写方式。
OCR可以说是一种不确定的技术研究，正确率就像是一个无穷趋近函数，
知道其趋近值，却只能靠近而无法达到，永远在与100%作拉锯战。因为其
牵扯的因素太多了，书写者的习惯或文件印刷品质、扫描仪的扫瞄品质、识
别的方法、学习及测试的样本……等等，多少都会影响其正确率，也因此，
OCR的产品除了需有一个强有力的识别核心外，产品的操作使用方便性、所
提供的除错功能及方法，亦是决定产品好坏的重要因素。
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。其处理流程如下图：
从影像到结果输出，须经过影像输入、影像前处理、文字特征抽取、比对
识别、最后经人工校正将认错的文字更正，将结果输出。
在此逐一介绍：
影象输入：欲经过OCR处理的标的物须透过光学仪器，如影像扫描仪、
传真机或任何摄影器材，将影像转入计算机。科技的进步，扫描仪等的输入
装置已制作的愈来愈精致，轻薄短小、品质也高，对OCR有相当大的帮助，
扫描仪的分辨率使影像更清晰、扫除速度更增进OCR处理的效率。
影象前处理：影像前处理是OCR系统中，须解决问题最多的一个模块，
从得到一个不是黑就是白的二值化影像，或灰阶、彩色的影像，到独立出一
个个的文字影像的过程，都属于影像前处理。包含了影像正规化、去除噪声、
影像矫正等的影像处理，及图文分析、文字行与字分离的文件前处理。在影
像处理方面，在学理及技术方面都已达成熟阶段，因此在市面上或网站上有
不少可用的链接库；在文件前处理方面，则凭各家本领了；影像须先将图片、
表格及文字区域分离出来，甚至可将文章的编排方向、文章的题纲及内容主
体区分开，而文字的大小及文字的字体亦可如原始文件一样的判断出来。
文字特征抽取：单以识别率而言，特征抽取可说是OCR的核心，用什么
特征、怎么抽取，直接影响识别的好坏，也所以在OCR研究初期，特征抽
取的研究报告特别的多。而特征可说是识别的筹码，简易的区分可分为两类：
一为统计的特征，如文字区域内的黑/白点数比，当文字区分成好几个区域时，
这一个个区域黑/白点数比之联合，就成了空间的一个数值向量，在比对时，
基本的数学理论就足以应付了。而另一类特征为结构的特征，如文字影像细
线化后，取得字的笔划端点、交叉点之数量及位置，或以笔划段为特征，配
合特殊的比对方法，进行比对，市面上的线上手写输入软件的识别方法多以
此种结构的方法为主。
对比数据库：当输入文字算完特征后，不管是用统计或结构的特征，都须
有一比对数据库或特征数据库来进行比对，数据库的内容应包含所有欲识别
的字集文字，根据与输入文字一样的特征抽取方法所得的特征群组。
对比识别：这是可充分发挥数学运算理论的一个模块，根据不同的特征特性，
选用不同的数学距离函数，较有名的比对方法有，欧式空间的比对方法、松
弛比对法（Relaxation）、动态程序比对法（Dynamic Programming，DP），以
及类神经网络的数据库建立及比对、HMM（Hidden Markov Model）…等著
名的方法，为了使识别的结果更稳定，也有所谓的专家系统（Experts System）
被提出，利用各种特征比对方法的相异互补性，使识别出的结果，其信心度
特别的高。
字词后处理：由于OCR的识别率并无法达到百分之百，或想加强比对的正
确性及信心值，一些除错或甚至帮忙更正的功能，也成为OCR系统中必要
的一个模块。字词后处理就是一例，利用比对后的识别文字与其可能的相似
候选字群中，根据前后的识别文字找出最合乎逻辑的词，做更正的功能。
字词数据库：为字词后处理所建立的词库。
人工校正：OCR最后的关卡，在此之前，使用者可能只是拿支鼠标，跟着
软件设计的节奏操作或仅是观看，而在此有可能须特别花使用者的精神及时
间，去更正甚至找寻可能是OCR出错的地方。一个好的OCR软件，除了有
一个稳定的影像处理及识别核心，以降低错误率外，人工校正的操作流程及
其功能，亦影响OCR的处理效率，因此，文字影像与识别文字的对照，及
其屏幕信息摆放的位置、还有每一识别文字的候选字功能、拒认字的功能、
及字词后处理后特意标示出可能有问题的字词，都是为使用者设计尽量少使
用键盘的一种功能，当然，不是说系统没显示出的文字就一定正确，就像完
全由键盘输入的工作人员也会有出错的时候，这时要重新校正一次或能允许
些许的错，就完全看使用单位的需求了。
结果输出：其实输出是件简单的事，但却须看使用者用OCR到底为了什
么？有人只要文本文件作部份文字的再使用之用，所以只要一般的文字文
件、有人要漂漂亮亮的和输入文件一模一样，所以有原文重现的功能、有人
注重表格内的文字，所以要和Excel等软件结合。无论怎么变化，都只是输
出档案格式的变化而已。
提高OCR识别率
购买了扫描仪，你一定会发现，附赠的软件中有中英文OCR识别软件，当
然一般都是基础版。很多人认为此类OCR的识别率不是很高，甚至怀疑只
有那些正版的数千元的OCR软件其识别率才很高。其实，你只要注意使用
技巧，此类OCR的识别率完全可达实用化水平。
1、处理原稿扫描图像，使之清晰可“辨”。在其它因素都满足的前提下，对一
般的印刷稿、打印稿（包括清晰的针打稿）等质量较好的文稿进行识别，其
识别率一般可达到98％以上。而对报纸、复印件等不太清晰的文稿进行识
别，无论哪种OCR都难以达到较高的识别率。对那些原稿不太清晰的，要
注意识别前对图像加以处理，除去其上的污迹。并注意将偏斜的版面“改斜归
正”，通常OCR软件均有此功能，且一般都设有自动纠偏和手动纠偏。
2、分辨率应选择适宜。一般选择300dpi较合适，分辨率选小了会使识别率
降低，选得太大了并不能有效提高识别率，还会大幅度加长文件长度，浪费
处理时间。有的扫描软件设备上有一项“OCR扫描”，干脆将分辨率锁定为
300dpi，这是很有道理的。
3、调整好亮度值和对比度值。这条非常关键，对识别率的影响很大。亮度
值的调整是在识别前，先看看扫描得到的图像中文字质量如何，如果文字线
条凹凸不平，甚至有断线，说明亮度值太大了，应减小亮度值；当文字线条
很黑很粗，甚至挤成了黑疙瘩，分不清笔划时，则说明亮度值太小了，应增
加亮度值；对比度的调节要视原稿确定，笔者常根据预扫时图像清晰度确定。
4、利用OCR的自学习功能。有时OCR对某些字总是难以识别，比如OCR
开始对“的”和“二”等字总是搞错，这时可以利用OCR软件的自学习功能，“引
导”它正确识别一次（有些不同的字体各需一次），它以后就对这些字“熟识”
了。具体操作极易，上机看一下菜单即可明白。另外，若原稿全是英文或其
中中文很少，最好用附赠的英文OCR软件。还有，现在已有一些很好的文
字校对软件，其中一般都设置了OCR校对，利用这些软件先行处理一下所
得文本文件，则可大大减轻人工校对负担。
版权声明：本文标题：光学字符识别 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1713466994a636098.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论