FW:OCR 简介

原创 2011年01月10日 14:18:00

General view of OCR(Optical Character Recognition )

http://baike.china.alibaba.com/doc/history/view.html?eid=1475968

目录

       所谓OCR (Optical Character Recognition光学字符识别)技术,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。

由于OCR是一门与识别率拔河的技术,因此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。而根据文字资料存在的媒体介质不同,及取得这些资料的方式不同,就衍生出各式各样、各种不同的应用。

一、OCR的发展

要谈OCR的发展,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。

OCR可以说是一种不确定的技术研究,正确率就像是一个无穷趋近函数,知道其趋近值,却只能靠近而无法达到,永远在与100%作拉锯战。因为其牵扯的因素太多了,书写者的习惯或文件印刷品质、扫描仪的扫描品质、识别的方法、学习及测试的样本……等等,多少都会影响其正确率,也因此, OCR的产品除了需有一个强有力的识别核心外,产品的操作使用方便性、所提供的除错功能及方法,亦是决定产品好坏的重要因素。

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。

在此逐一介绍:

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。

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)…等着名的方法,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。

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。

结果输出:

其实输出是件简单的事,但却须看使用者用OCR到底为了什么?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。

二、中文OCR

中文OCR,光学符号识别技术是一种汉字文稿的自动输入方式,它通过光学扫描仪和计算机的配合,经OCR软件将图像数据进行运算分类后,将图像数据转化为计算机内码,可以极大减轻数据录入工作的强度,提高数据录入的速度。

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。

我国在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.

我国目前使用的文本型OCR软件主要有清华文通TH-OCR、北信BI-OCR、中自ICR、沈阳自动化所SY-OCR、北京曙光公司NI-OCR(已被中自汉王并购)等,匹配的扫描仪则使用市面上的平板扫描仪。

三、衡量OCR标准

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,易用性及可行性等方面。

四、OCR工作原理

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。

识别精度可以达到99%

五:OCR识别率取决于

1.图片的质量,一般建议150dpi以上

2.颜色,一般对彩色识别很差,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)。

OCR是计算机输入技术的一种,它通过模式识别将文字的图像文件转化为可编辑的文本文件,彻底改变了计算机纸介质资料输入的概念。只要用扫描仪将文本图像输入计算机,就可转化为可修改的文本文件,这比手工输入速度快了几十倍。随着OCR技术的广泛应用,它正逐渐被人们所知晓。国际软件巨头微软在研发XP系统的时候,就意识到OCR的市场需求,在发布的Office 2003中全面配装了TH-OCR(北京文通信息技术有限公司开发);硬件方面的领袖企业英特尔公司也确定TH-OCR为MMX技术支持项目。

近期,一些大公司意识到OCR的好处,开始在自己的产品中捆绑OCR技术。Google已经启动OCR软件的开发工作,在它的招聘启示中这样写道:"Google currently "reads" almost every web page in the world. Come help us read all the printed material as well!"(Google现在已经能够"阅读"世界上几乎所有网页,你的到来将让Google阅读所有印刷信息!)。随着google启动OCR开发工作,OCR应用进入了全面爆发时代。

无论是让计算机对文字进行排版输出,还是要让计算机认识它看到文字,所有这一切都是为我们生活服务。信息化和数字化的进程,让我们不再安于用十指敲击键盘来输入数据。人们希望能将时间和精力投入到更具创造性的工作中去,因而希望计算机等辅助设备能更具智慧。OCR(Optical Character Recognition,光学字符识别)技术就是其中的一项,跟打印技术相对,它是让计算机认字的一种技术,这远比打印复杂得多。

经济竞争带来更多的商务活动,每个活动上名片都是必不可少的主角,名片的管理产品也应运而生,名片识别管理工具同样也是以OCR技术为核心的产品。通过名片识别工具将名片进行扫描、识别、分类,不仅能够导入手机、PDA等,而且还能为名片信息进行备份,不用担心遗失。文通e-card就是一款优秀的名片识别管理产品,OCR技术能把商务生活打理得有条不紊,节约更多的时间。现在,几乎所有的扫描仪和一体机上都配装OCR软件,比如HP、UNISCAN、EPSON、CANON、 LENOVO等扫描仪厂商捆绑的就是文通TH-OCR。

除了日常办公以外,生活的方方面面也因OCR技术的存在而更加的生动有趣。在一家日资企业工作的陈先生,就经常用手机拍摄下日文资料,利用OCR软件识别转换成可编辑的电子资料,北京文通公司的文档识别软件"慧视"甚至可以直接翻译,比简单的识别更智能。不仅仅是手机,用数码相机或DV拍摄下照片,其中的图像文字也可利用"慧视"软件进行简单的转换。我们在地铁站、公交车上经常能看到在PDA或手机上涂写的朋友,用的是手写识别技术。目前在国内外被广泛应用的TH-OCR识别软件不仅可以进行中文(简、繁体)、英文、韩文、日文的识别,还可对这些字体的混排文字进行精准的识别转换。

版权声明:本文为博主原创文章,未经博主允许不得转载。

相关文章推荐

OCR技术简介

  • 2015-06-01 09:40
  • 2.49MB
  • 下载

离线光学字符识别(OCR)技术简介

转自:http://hi.baidu.com/whynotdo/blog/item/214cb04484b7f22ccffca3d7.html   所谓OCR (Optical Character ...

ocr简介

汉字识别在将近20年的研究开发过程中,中国大陆先后有十几个研究单位开展过汉字识别的研发工作,并得到了国家“七五攻关”计划、863计划、国家自然科学基金的大力支持,目前已有一些产品面向市场并取得了可喜的...

FW:Use the OnReadyStateChange Property in Visual Basic and Visual C/C++

Link:http://www.nedcomp.nl/support/origdocs/xml4/extracted/dom_howdoi_0rj7.aspx The onreadystatecha...

FW:A new approach to china(Google)

A new approach to china 1/12/2010 03:00:00 PM Like many other well-known organizations, we face cy...

Fw:BAPI_ACC_DOCUMENT_POST相关增强的实现

文章转自 http://blog.163.com/way_lich/blog/static/26631112012010104213569/ 调用BAPI_ACC_DOCUMENT_POST的时候有...

解决PCBSD中的“ipfw: getsockopt(IP_FW_GET): Protocol not available”问题

具体步骤如下,详细内容见:http://tech.ccidnet.com/art/1099/20070813/1175343_1.html

FW:世界500强牛企英语面试精彩问答

Q: Can you sell yourself in two minutes? Go for it. (你能在两分钟內自我推荐吗?大胆试试吧!) A: With my qualificatio...

fast FW150US USB无线网卡Linux驱动安装

由于笔记本没有自带无线网卡,所以买了一块fast FW150US USB无线网卡。该网卡只自带了window下的驱动,经过一番折腾,终于安装好了Linux下的驱动,在此记录以便以后遇到同样问题能够快速...
  • ROVAST
  • ROVAST
  • 2015-03-14 13:44
  • 2763

FW: Yudan ,a big bully and monster ?

Shared by Akkad I had a horrible time in London translating for Yu Dan, the author of Lunyu xinde, ...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:深度学习:神经网络中的前向传播和反向传播算法推导
举报原因:
原因补充:

(最多只允许输入30个字)