光學字元識別

光學字元識別英語:Optical Character Recognition, OCR)是指對文字資料圖像檔案進行分析識別處理,取得文字及版面資訊的過程。

識別過程

  • 圖像輸入、圖像前處理、預識別:
    • 圖像輸入:對於不同的圖像格式,有著不同的儲存格式,不同的壓縮方式,目前有OpenCV、CxImage等開源專案。
    • 預處理:主要包括二值化,噪聲去除,傾斜較正等。
  • 二值化:
對網路攝影機拍攝的圖片,大多數是彩色圖像,彩色圖像所含資訊量巨大,對於圖片的內容,我們可以簡單的分為前景與背景,為了讓電腦更快的、更好地識別文字,我們需要先對彩色圖進行處理,使圖片只剩下前景資訊與背景資訊,可以簡單的定義前景資訊為黑色,背景資訊為白色,這就是二值化圖。
  • 噪聲去除:
對於不同的文件,我們對噪聲的定義可以不同,根據噪聲的特徵進行去燥,就叫做噪聲去除。
  • 傾斜校正:
由於一般用戶,在拍照文件時,都比較隨意,因此拍照出來的圖片不可避免的產生傾斜,這就需要文字識別軟體進行較正。
  • 版面分析:
將文件圖片分段落,分行的過程就叫做版面分析,由於實際文件的多樣性,複雜性,因此,目前還沒有一個固定的,最優的切割模型。
  • 字元切割:
由於拍照條件的限制,經常造成字元粘連,斷筆,因此極大限制了識別系統的效能。
  • 字元識別:
這一研究已經是很早的事情了,比較早有模板符合,後來以特徵提取為主,由於文字的位移,筆畫的粗細,斷筆,粘連,旋轉等因素的影響,極大影響特徵的提取的難度。
  • 版面還原:
人們希望識別後的文字,仍然像原文件圖片那樣排列著,段落不變,位置不變,順序不變地輸出到Word文件、PDF文件等,這一過程就叫做版面還原。
  • 後處理、校對:
根據特定的語言上下文的關係,對識別結果進行校正,就是後處理。

發展歷史

OCR的概念是在1929年由德國科學家Tausheck最先提出來,並申請了專利。後來美國科學家Handel也提出了利用技術對文字進行識別的想法。中國最早的OCR商業應用是由科學家王慶人教授在南開大學開發出來的,並在美國市場投入商業使用。