OCR文字识别

OCR是英文Optical Character Recognition的缩写，意思是光学字符识别，也可简单地称为文字识别，是文字自动输入的一种方法。它通过扫描和摄像等光学输入方式获取纸张上的文字图像信息，利用各种模式识别算法分析文字形态特征，判断出汉字的标准编码，并按通用格式存储在文本文件中，所以，OCR是一种非常快捷、省力的文字输入方式，也是在文字量比较大的今天，很受人们欢迎的一种输入方式。

OCR的发展简况

OCR的概念是在1929年由德国科学家Tausheck最先提出来的，后来美国科学家Handel也提出了利用技术对文字进行识别的想法。而最早对印刷体汉字识别进行研究的是IBM公司的Casey和Nagy，1966年他们发表了第一篇关于汉字识别的文章，采用了模板匹配法识别了1000个印刷体汉字。

20世纪70年代初，日本的学者开始研究汉字识别，并做了大量的工作。我国研究汉字识别的起步比较晚，20世纪70年代末才开始进行OCR的研究工作。早期的OCR软件，由于识别率及产品化等多方面的因素，未能达到实际要求。同时，由于硬件设备成本高，运行速度慢，也没有达到实用的程度。只有个别部门，如信息部门、新闻出版单位等使用OCR软件。1986年以后我国的OCR研究有了很大进展，在汉字建模和识别方法上都有所创新，在系统研制和开发应用中都取得了丰硕的成果，不少单位相继推出了中文OCR产品。进入20世纪90年代以后，随着平台式扫描仪的广泛应用，以及我国信息自动化和办公自动化的普及，大大推动了OCR技术的进一步发展，使OCR的识别正确率、识别速度满足了广大用户的要求。

目前，比较流行的OCR软件很多，英文OCR主要有OmniPage，中文OCR主要有清华紫光OCR、清华文通OCR、汉王OCR、中晶尚书OCR、丹青OCR、蒙恬OCR等。尽管汉字字量大、字形复杂，但OCR技术已经走向成熟。许多OCR软件不仅能识别黑白印刷体汉字，还能识别灰度和彩色印刷体汉字，识别速度很快，识别正确率达到了99％以上；可识别宋体、黑体、楷体等多种字体的简、繁体；可对多种字体、不同字号的混排进行识别；有些OCR软件还能识别图像、表格。与此同时，对于手写体汉字识别的研究也取得了很大进展，正确识别率已达到了70％以上。

OCR软件的应用

在扫描仪市场上，许多类型的办公和家用扫描仪均配有OCR软件，如紫光的扫描仪配备了紫光OCR，中晶的扫描仪配备了尚书OCR，Mustek的扫描仪配备了丹青OCR等。扫描仪与OCR软件共同承担着从文稿的输入到文字识别的全过程。

 

文稿扫描在办公领域中经常用到，即将报纸、杂志等媒体上刊载的有关文稿通过扫描仪进行扫描，随后进行OCR识别，或存储成图像文件，留待以后进行OCR识别，将图像文件转换成文本文件或Word文件进行存储。

此外，数字化信息的存储、传输、不仅成本低、效率高，而且能够适应排版，网络传输等不断发展的需要。目前我国有很多历史遗留下来的大量图书、报刊、杂志等纸质珍品，急需将其转换成电子信息。如电子图书馆的建立，就需要将图书逐页扫描，加上OCR软件的识别，更替代了人工键入文字的工作，大大缩短了录入时间，减轻了劳动强度，节省了人力且降低了费用，提高了录入正确率、工作效率和现代办公自动化程度。

目前OCR软件与扫描仪的搭配已应用到信息化时代的多个领域，如数字化图书馆，各种报表的识别，以及银行、税务系统票据的识别等。随着网络化、信息化的发展与普及，其应用范围将越来越广泛。

OCR系统的组成

汉字识别软件OCR的功能是将各种录入汉字、印刷体或手写体中每个汉字的图形或图像通过计算机辨认出来，并标出汉字类别代码。因此，汉字识别归根结底是一个图像识别问题。由于汉字信息量很大，具有不同的字形、字体，而且结构复杂，因此汉字识别的过程极其复杂。

由于扫描仪的普及与广泛应用，OCR软件只需提供与扫描仪的接口，利用扫描仪驱动软件即可。因此，OCR软件主要是由图像处理模块、版面划分模块、文字识别模块和文字编辑模块等4部分组成。

1、图像处理模块

图像处理模块主要具有文稿扫描、图像缩放、图像旋转等功能。通过扫描仪输入后，文稿形成图像文件，图像处理模块可对图像进行放大，去除污点和划痕，如果图像放置不正，可以手工或自动旋转图像，目的是为文字识别创造更好的条件，使识别率更高。

2、版面划分模块

版面划分模块主要包括版面划分、更改划分，即对版面的理解、字切分、归一化等，可选择自动或手动两种版面划分方式。目的是告诉OCR软件将同一版面的文章、表格等分开，以便于分别处理，并按照怎样的顺序进行识别。

3、文字识别模块

文字识别模块是OCR软件的核心部分，文字识别模块主要对输入的汉字进行"阅读"，但不能一目多行，必须逐行切割，对于汉字通常也是一个字一个字地辨认，即单字识别，再进行归一化。文字识别模块通过对不同样本汉字的特征进行提取，完成识别，自动查找可疑字，具有前后联想等功能。

4、文字编辑模块

文字编辑模块主要对OCR识别后的文字进行修改、编辑，如系统识别认为有误，则文字会以醒目的红色或蓝色显示，并提供相似的文字供选择，选择编辑器供输出等。

OCR软件的使用方法

OCR软件的种类虽然很多，但其使用方法大同小异。首先要对文稿进行扫描，然后进行OCR识别。OCR软件的使用方法如下：

1、文稿扫描

为了利用OCR软件进行文字识别，可直接在OCR软件中扫描文稿。运行OCR软件后，会出现OCR软件界面。

 

将要扫描的文稿放在扫描仪的玻璃面上，使要扫描的一面朝向扫描仪的玻璃面并让文稿的上端朝下，与标尺边缘对齐，再将扫描仪盖上，即可准备扫描。点击视窗中的"扫描"键，即可进入扫描驱动软件进行扫描，有关扫描方法这里不再赘述。但应注意的是：分辨力可设置在200～400dpi，对于文本文档，调整亮度适中很关键。扫描后的文档图像出现在OCR软件视窗中。

2、OCR识别

为了便于操作，可从菜单中选择选项，各种图标出现在视窗的左边。

为了更好使用，首先从上到下介绍画面左边的图标：

"放大"工具：用于放大图像；"缩小"工具：用于缩小图像；"设定识别区域"工具：用于设定识别区域；"设定识别顺序"工具：用于设定识别顺序；"删除识别区域"工具：用于删除识别区域；"擦除图像杂点"工具：用于擦除图像中的杂点；"擦拭图像块"工具：用于擦除图像中的某一区域；"旋转图像"工具：用于将图像旋转90°、180°或270°；"倾斜校正"工具：用于手动图像倾斜校正。

OCR识别的一般步骤：

(1)文稿扫描后，刚开始出现在视窗中的要识别的文字画面很小，首先选择"放大"工具，对画面进行适当放大，以使画面看得更清楚。必要时还可以选择"缩小"工具，将画面适当缩小。

(2)如果画面需要旋转90°，180°或270°，可使用"旋转图像"工具旋转图像。如果文字画面倾斜，可选择"倾斜校正"工具，将画面调正。

(3)识别时选择"设定识别区域"工具，在文字画面上框出要识别的区域，这时也可根据画面情况框出多个区域。如果所框区域有误，则可使用"删除识别区域"工具，删除所选识别区域。

(4)为了提高识别率，如果所选识别区有杂点或有不能识别的图像，则可选择"擦除图像杂点"工具，将杂点一点一点地擦除。如果需要成片地擦除，则可选择"擦拭图像块"工具。

(5)点击"识别"图标，则OCR显示正在进行文字切分，然后转入"正在识别"画面，将识别的文字逐步显示出来，"文稿校对"窗口。

许多OCR软件都具有文字修改功能，被识别出可能有错误的文字，用比较鲜明的颜色显示出来，并且可以进行修改。

(6)将识别后的文件存储成文本(TXT)文件或Word的RTF文件。