OCR技术

OCR

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）…等著名的方法，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。