ocr文字识别

ocr原理
1 机器学习（ML）和卷积神经网络（CNN）光学字符识别技术（OCR）
2 三种方案来识别票据，下文对这三种方案做了测试。

1. 高阈值的自适应二值化技术。 2. 卷积神经网络（CNN）。 3. Haar特征分类器。
   3使用Opencv中的自适应阈值化函数adaptive_threshold和scikit-image框架来调整收据数据
   4 CNN只能找到文本的角度坐标，而文字的角度变化很大，
   5 使用opencv中的adaptive_threshold方法进行二值化，经过二值化处理，我们得到了一个不错的图片。
   6 文本检测 通过链接组件检测文本
   我们使用Opencv中的find Contours函数找到链接的文本组。大多数链接的组件是字符，但是也有二值化留下来嘈杂的文本，这里我们通过设置阈值的大小来过滤相关文本。
   7 通过判断文字是否高度一致来判断文本是否属于同一行。神经网络可以精准识别每个网格内的字符。
   8 对于文本识别，我们使用卷积神经网络（CNN）接收相关字体进行培训。
   LSTM网络
   图像非均匀分割技术
   9 图像非均匀分割技术
   因为收据字体是等宽的字体，所以我们决定按照字符分割字体。首先，我们需要知道每个字母的宽度。因此，字符的宽度尤为重要，我们需要估计每个字母的长度，利用函数，我们得到下图。选择多种模式来选取特定的字母宽度。
   10 从收据中提取含义
   我们使用正则表达式来查找收据中购买情况
   ocr相关知识点
   1OCR （Optical Character Recognition，光学字符识别）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，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。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。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。
   2 OCR软件主要是由下面几个部分组成。
   图像输入、预处理：
   图像输入：对于不同的图像格式，有着不同的存储格式，不同的压缩方式，目前有OpenCV,CxImage等开源项目 。预处理：主要包括二值化，噪声去除，倾斜较正等
   3 二值化：
   对摄像头拍摄的图片，大多数是彩色图像，彩色图像所含信息量巨大，对于图片的内容，我们可以简单的分为前景与背景，为了让计算机更快的，更好的识别文字，我们需要先对彩色图进行处理，使图片只前景信息与背景信息，可以简单的定义前景信息为黑色，背景信息为白色，这就是二值化图了。
   4 噪声去除：
   对于不同的文档，我们对噪声的定义可以不同，根据噪声的特征进行去噪，就叫做噪声去除
   倾斜较正：
   由于一般用户，在拍照文档时，都比较随意，因此拍照出来的图片不可避免的产生倾斜，这就需要文字识别软件进行较正。
   版面分析：
   将文档图片分段落，分行的过程就叫做版面分析，由于实际文档的多样性，复杂性，因此，目前还没有一个固定的，最优的切割模型。
   字符切割：
   由于拍照条件的限制，经常造成字符粘连，断笔，因此极大限制了识别系统的性能，这就需要文字识别软件有字符切割功能。
   字符识别：
   这一研究，已经是很早的事情了，比较早有模板匹配，后来以特征提取为主，由于文字的位移，笔画的粗细，断笔，粘连，旋转等因素的影响，极大影响特征的提取的难度。
   版面恢复：