Screen OCR（光学字符识别）

20100520-20100523­

         一个针对屏幕的OCR（光学字符识别）程序，它与印刷体和手写输入OCR的区别在于：屏幕OCR属于精确识别，识别速度较快，算法也较简单，但它只能识别屏幕（或者无损BMP）上的文字，。­

     该程序的默认字型库采用索引+Hash表组织，文件大小1.48M（未压缩），内含2580个字（汉字2500个+数字10个+字母52个+标点18个）、5种字体、15种字号、2种样式，共计387000个字型。­

     经测试识别100个22号字约用时3s，100个8号字约用时0.7s，识别率一般。如果字型库用纯Hash表，那么文件大小将增大到32M，而识别速度最多可以提高6倍。另外，由于我还没有搞清楚TrueType字体的生成算法，所以暂时无法再提高识别速度。­

     关于印刷体OCR我大概也有一点思路。段落的分割算法与屏幕OCR基本一致，下面仅讨论单字的识别算法。­

     首先将目标字的高度伸缩到标准字的大小（目标字的高度已经在段落分割中由行高得到），而目标字的宽度则按保持纵横比伸缩。­

     然后由寻径算法遍历目标字的笔画，得到一个标准笔画宽度（即粗细）的字。显然，这一步比较困难。­

     最后进行模糊匹配：将目标字与标准字按左上角对齐，并对目标字的每一个像素点，看以它为中心的正方形（边长较小）中是否含有标准字的像素点，如果有则相似度+1。按此方法循环对所有标准字计算相似度，取相似度最高的字为识别字。­

     最后一步非常耗时。优化的方法是将标准字按使用频率由高到低存放，在匹配过程中如果发现相似度大于某一个值，则认为找到了识别字，中止循环。­

     可以看出这并不是一个很好的算法。如果根据笔画向量或者字体轮廓进行匹配可能会好很多，当然难度也大得多。­

     最后再简单说一说手写输入的识别，它与前两种OCR相比又有不同。因为它可以在用户手写的过程中获得笔画的顺序以及方向（如果用户写倒笔字将降低识别精度），所以从这一点上看识别起来相对更容易。但是一般来说，用户手写的字与标准字差别较大，前面提到的算法将失效。