OCR影像识别
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,ICRIntelligent 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6070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09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19651970年之间开始有一些简单的产品,如印刷文字的识别系统,识别邮件上的,帮助邮局作区域分信的作业;也因此至今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 ProgrammingDP),以及类神经网络的数据库建立及比对、HMMHidden 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是什么)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中,根据前后的识别文字出最合乎逻辑的词,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。
7. 结果输出:
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。如果需要还原成原文一样格式,则在识别后,需要人工排版,耗时耗力。
8. OCR与中文识别:
1)资料录入
  文献资料的数字化录入,一般分为: 
  1.纯图像方式。 
  2.目录文本、正文图像方式。 
  3.全文本方式。 
  4.全文索引方式。文本方式和图像方式的混合体。
2)识别过程
  书本级:中文,英文;简体,繁体; 
  版式级:竖排,横排;有无分栏; 
  行切分 字切分 
  识别:真正的OCR识别过程,图像信息还原成文本信息 
  后处理:人工干预,主要集中在前四个阶段。
3)识别结果决定因素
  1.图片的质量,一般建议150dpi以上 
  2.颜,一般对彩识别很差,黑白的图片较高,因此建议ocr的为黑白tif格式 
  3.最重要的就是字体,如果是手写识别率很低。 
国内OCR识别简体差错率为万分之三,如果要求更高的精度需要投入更大的人工干预。繁体识别由于繁体字库的不统一性(民国时期的字库和现在繁体字库不统一),导致识别困
难,在人工干预下,精度能达到90%以上(图文清晰情况下)。
9. OCR识别技术解决方案:
OCR概念早在1929年就已经产生,但因为我国在OCR技术方面的研究工作起步较晚,所以在此之前,人们对OCR要么完全陌生,要么只能和市场上与扫描仪捆绑的OCR软件普及版联系起来。先进技术从实验室走向市场都要经历一个长期的过程,对于并非一项新技术的OCR而言,这个过程则更为漫长。这固然涉及到市场普及的问题,但也和过去OCR产品实用程度低、功能单一有很大的关系。但在近年来,这种现象正逐步改变。有一些信号表明,中国信息化建设日益高涨的呼声已经为OCR领域带来了一些新的变化。这种变化不仅表现在技术的革新与进步,更表现为用户对于信息化的内涵和技术发展趋势有了非常明显的了解愿望。尤其在今年,一直以技术为主导的OCR产品,正悄然掀起一场以应用为导向的市场变革。
变革露峥嵘
这场变革是如何产生的,变革的背后究竟蕴含着哪些因素呢?
首先,我国的信息化建设,是一项浩大而又艰巨的工程。在经历过从无到有的过程后,终于朝着由弱至强的方向高速发展。而在高速发展的过程中,技术毫无疑问是其中最核心的推动力。从80年代开始,OCR的研究开发就一直受到国家"863"计划的资助,在清华的吴佑寿教授、丁晓青教授、中科院的刘昌平博士、李明敬博士等人不懈努力下,已经取得了巨大发展。我国在信息技术领域付出的努力,已经有了初步的回报。目前,印刷体OCR的识别技术已经达到完全实用的程度,即使对印刷质量较差的文字的识别率也达到95%以上。而结合尖端技术的专业版 OCR更是具备了批处理功能,性能更加优化。经过科学家们和企业的共同努力,现在的OCR技术终于迎来了一个技术的成熟期,这就为OCR应用市场的瓜熟蒂落提供了雄厚的技术支持和保障。
其次,OCR技术本身的实用性使得其应用领域十分广泛,同时行业信息化的发展也带动着行业更深层次的信息化需求。以前,我国OCR技术主要应用在通用市场,而在今日,网络时代的特征正在影响着OCR应用市场的前进步伐,政府、公司、家庭、个人均是网络时代的组成部分,个人资料电子化、商务办公自动化等需求的呼声也越来越高。目前从行业需求来看,金融、电子政务、保险、税务、工商等行业对信息识别的需求已越来越广泛,促进了识别技术的大规模应用。而个人消费者对资料电子化、手写识别技术等需求拓展了OC
R识别技术在这一领域的应用之路。
再者,与目前OCR应用市场的发展空间相比,广大用户的需求并没有得到充分的满足。面对这样崭新的市场变化和消费者的需求,市场还有许多潜力等待厂商去挖掘。这对于OCR产品厂商来说,既是机遇也是挑战。各大厂商自然闻风而动,各类OCR产品不断推出,产品形态日益丰富,十分有利于OCR产品市场的快速扩张,为这一市场的启动起到相当的促进作用。
因此我们可以看出,随着OCR技术的进一步成熟,依靠OCR识别正确率的提高和应用扩展的推动力,应用领域的不断扩展,OCR市场容量正逐步做大。
搭台唱戏,"应用"为先
巨大的社会信息化需求使OCR应用市场在今年已经拥有了一个良好的开局,继上半年OCR技术在应用方面取得较大突破之后,这种持续上升的态势在下半年得到了更深层次的延续,尤其是人们通过非典意识到的资料电子化的重要作用为OCR市场的跃进式发展提供一个良好的契机。同时国内厂商在下半年也纷纷继续挖掘OCR市场潜力,加快了中国信息化
建设步伐。目前OCR技术在个人信息管理、办公自动化、电子出版物、网络资源、各种大型文献资料管理数据库、数字化图书馆等领域的应用中均表现活跃,而以三大板块为主的OCR应用市场也显示出迅速攀升的良好势头。
首先是最早开发的OEM市场进一步成熟,市场需求稳步提升。这一市场主要面向与硬件相捆绑的设备,如扫描仪等,其次是个人零售市场继续升温。如文字识别领域的领军企业清华紫光文通推出的名片识别系统e-card引起了用户广泛关注;另外,行业应用市场的持续扩张,以OCR识别为核心技术研发的产品正在成为行业用户的采购热点。

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。