PDF 文档识别

一般情况下办公人员想得到的是双层PDF文件——双层PDF文件是一种具有多层结构的格式文件，其特点是：文件既可以是文本型的（比如由word生成的文件），也可以是图像型的（比如由扫描生成的文件）；双层PDF文件是指文件内容既包含文本层，也包含图像层，且其位置上下一一相对应。通过文档扫描OCR识别得到的双层PDF可以在打印的时候保持原图输出，并且可以全文检索复制，是一种非常完美的文件。

文档扫描OCR识别技术的应用方式

由于扫描仪的普及与广泛应用，文档扫描OCR识别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，文档扫描OCR识别软件主要是由下面几个部分组成。

图像输入、预处理：进行顺序，以及识别前的准备

二值化：进行识别胶的图片处理，变为黑白两色的图片（在一些专有设备上可以用红外拍摄照片）

噪声去除：去除图片的一些噪点和干扰因素

倾斜较正：对于扫描倾斜的图片，进行倾斜校正

版面分析：把页面分为横排文本，竖排文本，表格，图片等不同区域进行针对识别

字符切割、字符识别

版面恢复：通过版面分析，将各个区域识别后按位置输出，实现和扫描图片一样的word布局输出

工作流程

一个文档扫描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、