2024年5月27日发(作者:)
1. 什么是OCR?
OCR (Optical Character Recognition,光学字符识别)是指电子设备(例如扫描
仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后
用字符识别方法将形状翻译成计算机文字的过程;即,对文本资料进行扫描,然
后对图像文件进行分析处理,获取文字及版面信息的过程。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。衡量一个OCR系统性能好坏的主要指标有:
拒识率、误识率、识别速度、用户界面的友好性,产品的稳定性,易用性及可行
性等。
2. OCR的发展历史:
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。
中国在OCR技术方面的研究工作起步较晚,在70年代才开始对数字、
英文字母及符号的识别进行研究,70年代末开始进行汉字识别的研究,到
1986年汉字识别的研究进入一个实质性的阶段,不少研究单位相继推出了
中文OCR产品.
3. 工作流程:
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。
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
4. 影像输入:
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。
影像前处理: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
章的提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。
5. 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。
6. 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
发布评论