光學(xué)文字識(shí)別
光學(xué)文字識(shí)別 即OCR （ ）是指電子設(shè)備（例如掃描儀或數(shù)碼相機(jī)）檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識(shí)別方法將形狀翻譯成計(jì)算機(jī)文字的過程；即，對(duì)文本資料進(jìn)行掃描，然后對(duì)圖像文件進(jìn)行分析處理，獲取文字及版面信息的過程。如何除錯(cuò)或利用輔助信息提高識(shí)別正確率，是OCR最重要的課題，ICR（ ）的名詞也因此而產(chǎn)生。衡量一個(gè)OCR系統(tǒng)性能好壞的主要指標(biāo)有：拒識(shí)率、誤識(shí)率、識(shí)別速度、用戶界面的友好性，產(chǎn)品的穩(wěn)定性，易用性及可行性等。
光學(xué)文字識(shí)別的概念是在1929年由德國科學(xué)家最先提出來的，后來美國科學(xué)家也提出了利用技術(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。[1]
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。
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，目前有,等開源項(xiàng)目 。預(yù)處理：主要包括二值化，噪聲去除，傾斜較正等
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。
噪聲去除：
對(duì)于不同的文檔，我們對(duì)燥聲的定義可以不同，根據(jù)燥聲的特征進(jìn)行去燥，就叫做噪聲去除
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：
將文檔圖片分段落尚書7號(hào)ocr文字識(shí)別系統(tǒng)完全版 注冊(cè)碼，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，目前還沒有一個(gè)固定的，最優(yōu)的切割模型。
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。
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。
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)。
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。
影像輸入
欲經(jīng)過OCR處理的標(biāo)的物須透過光學(xué)儀器，如影像掃描儀、傳真機(jī)或任何攝影器材，將影像轉(zhuǎn)入計(jì)算機(jī)。科技的進(jìn)步，掃描儀等的輸入裝置已制作的愈來愈精致，輕薄短小、品質(zhì)也高，對(duì)OCR有相當(dāng)大的幫助，掃描儀的分辨率使影像更清晰、掃除速度更增進(jìn)OCR處理的效率。
影像前處理：影像前處理是OCR系統(tǒng)中，須解決問題最多的一個(gè)模塊，從得到一個(gè)不是黑就是白的二值化影像，或灰階、彩色的影像，到獨(dú)立出一個(gè)個(gè)的文字影像的過程，都屬于影像前處理。包含了影像正規(guī)化、去除噪聲、影像矯正等的影像處理，及圖文分析、文字行與字分離的文件前處理。在影像處理方面，在學(xué)理及技術(shù)方面都已達(dá)成熟階段，因此在市面上或網(wǎng)站上有不少可用的鏈接庫；在文件前處理方面，則憑各家本領(lǐng)了；影像須先將圖片、表格及文字區(qū)域分離出來，甚至可將文章的編排方向、文章的提綱及內(nèi)容主體區(qū)分開，而文字的大小及文字的字體亦可如原始文件一樣的判斷出來。
文字特征抽取：單以識(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：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)庫或特征數(shù)據(jù)庫來進(jìn)行比對(duì)，數(shù)據(jù)庫的內(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、松弛比對(duì)法（）、動(dòng)態(tài)程序比對(duì)法（ ，DP），以及類神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫建立及比對(duì)、HMM（ Model）…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)（ ）被提出，利用各種特征比對(duì)方法的相異互補(bǔ)性，使識(shí)別出的結(jié)果，其信心度特別的高。
字詞后處理：由于OCR的識(shí)別率并無法達(dá)到百分之百，或想加強(qiáng)比對(duì)的正確性及信心值，一些除錯(cuò)或甚至幫忙更正的功能，也成為OCR系統(tǒng)中必要的一個(gè)模塊。字詞后處理就是一例，利用比對(duì)后的識(shí)別文字與其可能的相似候選字群中，根據(jù)前后的識(shí)別文字找出最合乎邏輯的詞，做更正的功能。
字詞數(shù)據(jù)庫：為字詞后處理所建立的詞庫。
人工校正
OCR最后的關(guān)卡，在此之前，使用者可能只是拿支鼠標(biāo)，跟著軟件設(shè)計(jì)的節(jié)奏操作或僅是觀看，而在此有可能須特別花使用者的精神及時(shí)間，去更正甚至找尋可能是OCR出錯(cuò)的地方。一個(gè)好的OCR軟件，除了有一個(gè)穩(wěn)定的影像處理及識(shí)別核心，以降低錯(cuò)誤率外，人工校正的操作流程及其功能，亦影響OCR的處理效率，因此，文字影像與識(shí)別文字的對(duì)照，及其屏幕信息擺放的位置、還有每一識(shí)別文字的候選字功能、拒認(rèn)字的功能、及字詞后處理后特意標(biāo)示出可能有問題的字詞，都是為使用者設(shè)計(jì)盡量少使用鍵盤的一種功能，當(dāng)然，不是說系統(tǒng)沒顯示出的文字就一定正確尚書7號(hào)ocr文字識(shí)別系統(tǒng)完全版 注冊(cè)碼，就像完全由鍵盤輸入的工作人員也會(huì)有出錯(cuò)的時(shí)候，這時(shí)要重新校正一次或能允許些許的錯(cuò)，就完全看使用單位的需求了。
結(jié)果輸出
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輸入文件一模一樣，所以有原文重現(xiàn)的功能、有人注重表格內(nèi)的文字，所以要和Excel等軟件結(jié)合。無論怎么變化，都只是輸出檔案格式的變化而已。如果需要還原成原文一樣格式，則在識(shí)別后，需要人工排版，耗時(shí)耗力。
編輯本段中文識(shí)別資料錄入
文獻(xiàn)資料的數(shù)字化錄入，一般分為：
1．純圖像方式。
2．目錄文本、正文圖像方式。
3．全文本方式。
4．全文索引方式。文本方式和圖像方式的混合體。
識(shí)別過程
書本級(jí)：中文，英文；簡體，繁體；
版式級(jí)：豎排，橫排；有無分欄；
行切分字切分
識(shí)別：真正的OCR識(shí)別過程，圖像信息還原成文本信息
后處理：人工干預(yù)，主要集中在前四個(gè)階段。
識(shí)別結(jié)果決定因素
1．圖片的質(zhì)量，一般建議以上
2．顏色，一般對(duì)彩色識(shí)別很差，黑白的圖片較高，因此建議ocr的為黑白tif格式
3．最重要的就是字體，如果是手寫識(shí)別率很低。
國內(nèi)OCR識(shí)別簡體差錯(cuò)率為萬分之三，如果要求更高的精度需要投入更大的人工干預(yù)。繁體識(shí)別由于繁體字庫的不統(tǒng)一性（民國時(shí)期的字庫和現(xiàn)在繁體字庫不統(tǒng)一），導(dǎo)致識(shí)別困難，在人工干預(yù)下，精度能達(dá)到90%以上（圖文清晰情況下）。
編輯本段識(shí)別技巧1．分辨率的設(shè)置是文字識(shí)別的重要前提。一般來講，掃描儀提供較多的圖像信息，識(shí)別軟件比較容易得出識(shí)別結(jié)果。但也不是掃描分辨率設(shè)得越高識(shí)別正確率就越高。選擇或分辨率，適合大部分文檔掃描。注意文字原稿的掃描識(shí)別，設(shè)置掃描分辨率時(shí)千萬不要超過掃描儀的光學(xué)分辨率，不然會(huì)得不償失。下面是部分典型設(shè)置，僅供參考。