OCR文字識(shí)別軟件結(jié)構(gòu)

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軟件主要是由下面幾個(gè)部分組成。

1、圖像輸入、預(yù)處理：

圖像輸入：對(duì)于不同的圖像格式，有著不同的存儲(chǔ)格式，不同的壓縮方式。預(yù)處理：主要包括二值化，噪聲去除，傾斜較正等

2、二值化：

對(duì)攝像頭拍攝的圖片，大多數(shù)是彩色圖像，彩色圖像所含信息量巨大，對(duì)于圖片的內(nèi)容，我們可以簡單的分為前景與背景，為了讓計(jì)算機(jī)更快的，更好的識(shí)別文字，我們需要先對(duì)彩色圖進(jìn)行處理，使圖片只前景信息與背景信息，可以簡單的定義前景信息為黑色，背景信息為白色，這就是二值化圖了。

3、噪聲去除：

對(duì)于不同的文檔，我們對(duì)噪聲的定義可以不同，根據(jù)噪聲的特征進(jìn)行去噪，就叫做噪聲去除

4、傾斜較正：

由于一般用戶，在拍照文檔時(shí)，都比較隨意，因此拍照出來的圖片不可避免的產(chǎn)生傾斜，這就需要文字識(shí)別軟件進(jìn)行較正。

版面分析：

5、將文檔圖片分段落，分行的過程就叫做版面分析，由于實(shí)際文檔的多樣性，復(fù)雜性，因此，還沒有一個(gè)固定的，最優(yōu)的切割模型。

6、字符切割：

由于拍照條件的限制，經(jīng)常造成字符粘連，斷筆，因此極大限制了識(shí)別系統(tǒng)的性能，這就需要文字識(shí)別軟件有字符切割功能。

7、字符識(shí)別：

這一研究，已經(jīng)是很早的事情了，比較早有模板匹配，后來以特征提取為主，由于文字的位移，筆畫的粗細(xì)，斷筆，粘連，旋轉(zhuǎn)等因素的影響，極大影響特征的提取的難度。

8、版面恢復(fù)：

人們希望識(shí)別后的文字，仍然像原文檔圖片那樣排列著，段落不變，位置不變，順序不變，的輸出到word文檔,pdf文檔等，這一過程就叫做版面恢復(fù)。

9、后處理、校對(duì)：

根據(jù)特定的語言上下文的關(guān)系，對(duì)識(shí)別結(jié)果進(jìn)行較正，就是后處理。

開發(fā)一個(gè)OCR文字識(shí)別軟件系統(tǒng)，其目的很簡單，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。

從影像到結(jié)果輸出，須經(jīng)過影像輸入、影像前處理、文字特征抽取、比對(duì)識(shí)別、最后經(jīng)人工校正將認(rèn)錯(cuò)的文字更正，將結(jié)果輸出。2100433B

光學(xué)文字識(shí)別的概念是在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(duì)文字進(jìn)行識(shí)別的想法。而最早對(duì)印刷體漢字識(shí)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(shí)別的文章，采用了模板匹配法識(shí)別了1000個(gè)印刷體漢字。

早在60、70年代，世界各國就開始有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所倡導(dǎo)的地址書寫方式。

20世紀(jì)70年代初，日本的學(xué)者開始研究漢字識(shí)別，并做了大量的工作。中國在OCR技術(shù)方面的研究工作起步較晚，在70年代才開始對(duì)數(shù)字、英文字母及符號(hào)的識(shí)別進(jìn)行研究，70年代末開始進(jìn)行漢字識(shí)別的研究，到1986年漢字識(shí)別的研究進(jìn)入一個(gè)實(shí)質(zhì)性的階段，不少研究單位相繼推出了中文OCR產(chǎn)品.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(shí)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(tái)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(shí)別正確率、識(shí)別速度滿足了廣大用戶的要求。其中以O(shè)CR為科技核心的云脈技術(shù)不斷創(chuàng)新進(jìn)取，研發(fā)了一系列OCR軟件產(chǎn)品，并且運(yùn)用在醫(yī)院，學(xué)校，企業(yè)等各大市場。

光學(xué)文字識(shí)別的概念是在1929年由奧地利科學(xué)家Gustav Tauschek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(duì)文字進(jìn)行識(shí)別的想法。而最早對(duì)印刷體漢字識(shí)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(shí)別的文章，采用了模板匹配法識(shí)別了1000個(gè)印刷體漢字。

早在60、70年代，世界各國就開始有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所倡導(dǎo)的地址書寫方式。

20世紀(jì)70年代初，日本的學(xué)者開始研究漢字識(shí)別，并做了大量的工作。中國在OCR技術(shù)方面的研究工作起步較晚，在70年代才開始對(duì)數(shù)字、英文字母及符號(hào)的識(shí)別進(jìn)行研究，70年代末開始進(jìn)行漢字識(shí)別的研究，到1986年漢字識(shí)別的研究進(jìn)入一個(gè)實(shí)質(zhì)性的階段，不少研究單位相繼推出了中文OCR產(chǎn)品.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(shí)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(tái)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(shí)別正確率、識(shí)別速度滿足了廣大用戶的要求。

編輯本段軟件結(jié)構(gòu)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軟件主要是由下面幾個(gè)部分組成。

1. 圖像輸入、預(yù)處理：

2. 圖像輸入：對(duì)于不同的圖像格式，有著不同的存儲(chǔ)格式，不同的壓縮方式。預(yù)處理：主要包括二值化，噪聲去除，傾斜較正等

3. 二值化：

對(duì)攝像頭拍攝的圖片，大多數(shù)是彩色圖像，彩色圖像所含信息量巨大，對(duì)于圖片的內(nèi)容，我們可以簡單的分為前景與背景，為了讓計(jì)算機(jī)更快的，更好的識(shí)別文字，我們需要先對(duì)彩色圖進(jìn)行處理，使圖片只前景信息與背景信息，可以簡單的定義前景信息為黑色，背景信息為白色，這就是二值化圖了。

4. 噪聲去除：

對(duì)于不同的文檔，我們對(duì)噪聲的定義可以不同，根據(jù)噪聲的特征進(jìn)行去噪，就叫做噪聲去除

5. 傾斜較正：

由于一般用戶，在拍照文檔時(shí)，都比較隨意，因此拍照出來的圖片不可避免的產(chǎn)生傾斜，這就需要文字識(shí)別軟件進(jìn)行較正。

6. 版面分析：

將文檔圖片分段落，分行的過程就叫做版面分析，由于實(shí)際文檔的多樣性，復(fù)雜性，因此，還沒有一個(gè)固定的，最優(yōu)的切割模型。

7. 字符切割：

由于拍照條件的限制，經(jīng)常造成字符粘連，斷筆，因此極大限制了識(shí)別系統(tǒng)的性能，這就需要文字識(shí)別軟件有字符切割功能。

8. 字符識(shí)別：

這一研究，已經(jīng)是很早的事情了，比較早有模板匹配，后來以特征提取為主，由于文字的位移，筆畫的粗細(xì)，斷筆，粘連，旋轉(zhuǎn)等因素的影響，極大影響特征的提取的難度。

9. 版面恢復(fù)：

人們希望識(shí)別后的文字，仍然像原文檔圖片那樣排列著，段落不變，位置不變，順序不變，的輸出到word文檔,pdf文檔等，這一過程就叫做版面恢復(fù)。

10. 后處理、校對(duì):

根據(jù)特定的語言上下文的關(guān)系，對(duì)識(shí)別結(jié)果進(jìn)行較正，就是后處理。

編輯本段工作流程一個(gè)OCR識(shí)別系統(tǒng)，其目的很簡單，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。

從影像到結(jié)果輸出，須經(jīng)過影像輸入、影像前處理、文字特征抽取、比對(duì)識(shí)別、最后經(jīng)人工校正將認(rèn)錯(cuò)的文字更正，將結(jié)果輸出。國內(nèi)最有實(shí)力的OCR字符識(shí)別公司有：云脈OCR, 漢王OCR等。

有批量處理功能，避免了單頁處理的麻煩；支持處理灰度、彩色、黑白三種色彩的BMP、TIF、JPG、PDF多種格式的圖像文件；可識(shí)別簡體、繁體和英文三種語言；具有簡單易用的表格識(shí)別功能；具有TXT、RTF、HTM和XLS多種輸出格式，并有所見即所得的版面還原功能。新增打開與識(shí)別PDF文件功能，支持文字型PDF的直接轉(zhuǎn)換和圖像型PDF的OCR識(shí)別，既可以采用OCR的方式將PDF文件轉(zhuǎn)換為可編輯文檔，也可以采用格式轉(zhuǎn)換的方式直接轉(zhuǎn)換文字型PDF文件為RTF文件或文本文件。