简单的图文识别算法

## 简单的图文识别算法
市面上有很多识别文字的软件，基本上分三种，第一种是免费的，但是效果比较差的，准确率只有80%左右，第二种是比较精确的，例如百度OCR的精确识别，能达到98%，但是速度慢，并且收费贵。第三种是类似于大漠插件的识字，这种确实很厉害，速度快，准确度高，还便宜。但是因为很多人将大漠插件用于一些不好的用途，导致大漠被很多软件检测，没法用。于是自己仿造大漠研究了一种，准确度还行。
主要有四个步骤，像素值，点阵字符串，字库，对比算法。
先说像素值，计算机上的图片，例如大小为800600，就表示有48万个像素，每一个像素，在RGB模式下，都有固定的像素值。在PS中，利用取色工具，可以直接看到一个点的RGB值分别是多少。比如，0/0/0，或255/255/255。RGB的最小数为0，最大数为255.这里说的是10进制，转化成16进制，255=0xff.0xFF是16进制中的最大的两位数。所以RGB每个维度的值，都可以用两位的16进制数字表示，每一个像素，都可以用一个六位的16进制数表示，最黑是0x000000,最白是0xFFFFFF。48万个像素，每个像素都可以转化为6位数字，所以，一张800600的图片，可以转化成486=288万位数的数字。当然，这个数字长度太大，直接拿来使用，会显得程序比较低级。所以说几种简单的转化方法：第一种，绝大多数相连的像素，值是一样的。比如连续10个像素的值都是0xFFFFFF，这个时候我们可以用一个符号，来记住这个连续值。比如H。连续20个，我们设置一个V。这在很大程度上缩小了位数。第二种，利用公式，0xFFFFFF,我们可以写成[F6]，10个0xFFFFFF,我们可以写成[f60].
点阵，普遍来说，中文汉字在屏幕上是个正方形，或者说，是个没有填满的正方形。如果背景是白色，字体是黑色。比如一个“十”字，长5个像素，宽5个像素。把笔画覆盖到的地方，也就是黑色的像素点设为1，没有覆盖到的，白色的像素点设为0，就会得到一个矩阵，把这个矩形平铺开来：00100，00100，11111，00100，00100。可以推论出，每一个汉字，都可以转化为一个数字矩形，这个矩形平铺后，就是一串数字。把这个叫做点阵字符串。同样，我们也可以将这串数字进行转化，将二进制转成十六进制，然后按照像素值的转换方式进行二次转化，尽量缩短长度，这样以后对比的时候，运算量小。
字库，可以想象一个表格，第一列里面存的是字，第二列存的是对应的点阵字符串。当我们获取了一个点阵字符串，就来这个表格里面比对。如果有一模一样的，就获取到了这个汉字。如果没有一模一样的，就采用模糊度对比，看与哪个最接近。精确对比很容易，没的说。模糊度对比的话，有很多优化算法，也说不尽。
对比度也可以被叫做模糊度，主要有两个方面。一个是像素值的模糊程度。用黑色举个例子：墨水是黑色的，但是分“很黑”和“有点黑”。标准黑的像素值是（0,0,0），像素（0,0,1）和（1,1,1）离标准黑都有一定的差距，差距越小，颜色就越接近。对于图片，绝大部分的像素值是接近而不统一的，需要设置一个容错值，来获取这些很接近的像素。第二个模糊度指的是点阵字符串的相似程度。在获得点阵字符串之后，要去字库进行对比，如果找不到精确的，就要找相似的。这里需要设置一个最低的相似值，比如0.7.如果字库没有哪个字与这个点阵串的相似度超过0.7.你就需要考虑把这个点阵串添加到字库里面。这种方式，其实也就是人工智能的数据喂养，喂养的时间越长，库越丰富，能找到的几率也就越大，找的也就越准确。
当你的字库比较小的时候(数量小或者点阵串长度小)，找起来自然很快，例如word文档上的小字，一般是2020或1717的像素，转化成点阵串的长度也就十几位，运算起来就很快。如果比较大，例如一些验证码里面的文字，像素达到200200,找起来就会比较慢，介绍一种建立索引的方法。分两步，我们假设一个5000字的字库，每个字库的点阵串长度为5万.一个长度为5万左右的点阵串“X”进来找字，每一个字需要对比5万次。最差的情况全部对比完需要2亿5千万次。这个运算量非常大，也完全没必要。第一步，我们建立头部索引，在字库的每个汉字对应的点阵串中，截取前100个有效字符，作为头信息，保存在库中。当X进来的时候，我们同样截取前100个有效字符，与头信息进行对比，远算量为100次。如果相似度低于0.7，直接跳过对比下一个汉字。第二步，在每个汉字的点阵串中，分别在5个位置（比如6千，1万，2万3，3万5，4万1）抽取长度为100的有效字符，拼合成一个新的字符串，保存在库中。如果X过了第一步，头部信息相似度超过0.7，那么在X的相同位置截取相同长度的字符串，进行拼合，并且对比。运算次数为500次。如果相似度超过0.7.再进行全部的对比。这样，能够很大程度的减少运算量。还有一种，四角判断法，步骤复杂，但是效果超级好。谷歌上有，可以去查。
基本上，这种图文识别的方法，只要字库建立正确，在像素值很接近的程度下，准确度能到95%以上，如果像素相差大，字的笔画残缺，能达到80%以上。但是对不同的字体，不同的大小。要么建立不一样的字库，要么需要各种偏离算法来纠正。幸运的是，对于同一款软件，字体和大小基本是固定的。感兴趣的可以试试看。
PS:实际上，我觉得词库比字库好用，词库的建立虽然比字库麻烦，但是无论是精确匹配还是各种偏移算法，效果都好得多。****