光學字符識別檢視原始碼討論檢視歷史

來自 站酷網 的圖片

光學字符識別OCR （Optical Character Recognition，光學字符識別）是指電子設備（例如掃描儀或數碼相機）檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然後用字符識別方法將形狀翻譯成計算機文字的過程；即，針對印刷體字符，採用光學的方式將紙質文檔中的文字轉換成為黑白點陣的圖像文件，並通過識別軟件將圖像中的文字轉換成文本格式，供文字處理軟件進一步編輯加工的技術。如何除錯或利用輔助信息提高識別正確率，是OCR最重要的課題，ICR（Intelligent Character Recognition）的名詞也因此而產生。衡量一個OCR系統性能好壞的主要指標有：拒識率、誤識率、識別速度、用戶界面的友好性，產品的穩定性，易用性及可行性等。

發展簡史

OCR的概念是在1929年由德國科學家Tausheck最先提出來的，後來美國科學家Handel也提出了利用技術對文字進行識別的想法。而最早對印刷體漢字識別進行研究的是IBM公司的Casey和Nagy，1966年他們發表了第一篇關於漢字識別的文章，採用了模板匹配法識別了1000個印刷體漢字。

早在60、70年代，世界各國就開始有OCR的研究，而研究的初期，多以文字的識別方法研究為主，且識別的文字僅為0至9的數字。以同樣擁有方塊文字的日本為例，1960年左右開始研究OCR的基本識別理論，初期以數字為對象，直至1965至1970年之間開始有一些簡單的產品，如印刷文字的郵政編碼識別系統，識別郵件上的郵政編碼，幫助郵局作區域分信的作業；也因此至今郵政編碼一直是各國所倡導的地址書寫方式。

20世紀70年代初，日本的學者開始研究漢字識別，並做了大量的工作。中國在OCR技術方面的研究工作起步較晚，在70年代才開始對數字、英文字母及符號的識別進行研究，70年代末開始進行漢字識別的研究，到1986年，我國提出「863」高新科技研究計劃，漢字識別的研究進入一個實質性的階段，清華大學的丁曉青教授和中科院分別開發研究，相繼推出了中文OCR產品，現為中國最領先漢字OCR技術。早期的OCR軟件，由於識別率及產品化等多方面的因素，未能達到實際要求。同時，由於硬件設備成本高，運行速度慢，也沒有達到實用的程度。只有個別部門，如信息部門、新聞出版單位等使用OCR軟件。進入20世紀90年代以後，隨着平台式掃描儀的廣泛應用，以及我國信息自動化和辦公自動化的普及，大大推動了OCR技術的進一步發展，使OCR的識別正確率、識別速度滿足了廣大用戶的要求。

2020年9月28日，在中華人民共和國工業和信息化部、北京市人民政府、國際電信聯盟（ITU-T）指導的2020 AIIA人工智能開發者大會上，主辦方正式發布國內首份智能文字識別（OCR）能力測評與應用白皮書。該白皮書從OCR發展背景、技術沿革、產業發展現狀、技術標準化、發展趨勢等多個維度，對當前國內OCR產業進行了梳理，全面助推OCR技術產業化加速落地及可持續發展。

軟件結構

由於掃描儀的普及與廣泛應用，OCR軟件只需提供與掃描儀的接口，利用掃描儀驅動軟件即可。因此，OCR軟件主要是由下面幾個部分組成。

圖像輸入、預處理

圖像輸入：對於不同的圖像格式，有着不同的存儲格式，不同的壓縮方式，目前有OpenCV,CxImage等開源項目。預處理：主要包括二值化，噪聲去除，傾斜較正等

二值化

對攝像頭拍攝的圖片，大多數是彩色圖像，彩色圖像所含信息量巨大，對於圖片的內容，我們可以簡單的分為前景與背景，為了讓計算機更快的，更好的識別文字，我們需要先對彩色圖進行處理，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

對於不同的文檔，我們對噪聲的定義可以不同，根據噪聲的特徵進行去噪，就叫做噪聲去除

傾斜較正

由於一般用戶，在拍照文檔時，都比較隨意，因此拍照出來的圖片不可避免的產生傾斜，這就需要文字識別軟件進行校正。

版面分析

將文檔圖片分段落，分行的過程就叫做版面分析，由於實際文檔的多樣性，複雜性，因此，目前還沒有一個固定的，最優的切割模型。

字符切割

由於拍照條件的限制，經常造成字符粘連，斷筆，因此極大限制了識別系統的性能，這就需要文字識別軟件有字符切割功能。

字符識別

這一研究，已經是很早的事情了，比較早有模板匹配，後來以特徵提取為主，由於文字的位移，筆畫的粗細，斷筆，粘連，旋轉等因素的影響，極大影響特徵的提取的難度。

版面恢復

人們希望識別後的文字，仍然像原文檔圖片那樣排列着，段落不變，位置不變，順序不變地輸出到word文檔、pdf文檔等，這一過程就叫做版面恢復。

後處理、校對

根據特定的語言上下文的關係，對識別結果進行較正，就是後處理。