OCR學習之一：OCR簡介

1.什麼是OCR？

OCR （Optical Character Recognition，光學字符識別）是指電子設備（例如掃描儀或數碼相機）檢查紙上打印的字符，經過檢測暗、亮的模式肯定其形狀，而後用字符識別方法將形狀翻譯成計算機文字的過程；即，對文本資料進行掃描，而後對圖像文件進行分析處理，獲取文字及版面信息的過程。如何除錯或利用輔助信息提升識別正確率，是OCR最重要的課題，ICR（Intelligent Character Recognition）的名詞也所以而產生。衡量一個OCR系統性能好壞的主要指標有：拒識率、誤識率、識別速度、用戶界面的友好性，產品的穩定性，易用性及可行性等。

 

2.OCR典型應用有哪些？

全文識別：建立可檢索文檔

當文檔以圖像，傳真或者掃描文檔形式存在時，是不容易進行搜索的。OCR可將文本圖像轉換成實際可搜索的文本。Google Desktop 和Windows Desktop Search可爲這些帶有OCR識別的PDF文件和XPS文件編索引，使你經過常規的文本搜索找到所需文件。

區域識別：表格填報

在平常工做和生活中，保單，納稅申報，發票和支票等都會涉及到表單。如何使表單處理輕鬆而快速呢？絕大多數表單處理解決方案都是經過OCR來收集打印數據，ICR 來收集手寫數據，OMR來檢測所填數據。結構化的表單處理一般採用分區OCR和ICR。

 

3.OCR識別率取決於哪些因素？

1.掃描分辨率：不求最「高」，只求最「佳」。根據經驗，五號印刷體採用250～300dpi比較合適；字號比較大(四號以上)，用150～200dpi就足夠了；

2.對比度：爲了達到最佳的識別效果，對輸入稿件在掃描時的要求是清晰，使掃描文件黑白分明，有利於軟件的識別；

3.偏斜程度：如今的OCR大都採用字模識別的方式，所以圖像若是有必定程度的傾斜，就會嚴重影響識別效果，一方面須要儘可能擺正掃描文件，另外一方面還須要使用軟件進行偏斜校訂；

4.圖片模式：通常對彩色模式識別不好，黑白模式（Line/art）的圖片識別較好；

5.字體：印刷體識別率高，手寫體識別率很低，須要人工校訂；

 

4.OCR開源項目

1.OCRE, OCR Easy, http://lem.eui.upm.es/ocre.html

2.Clara OCR, http://directory.fsf.org/claraocr.html

3.Ocrad, based on a feature extraction, http://directory.fsf.org/ocrad.html

4.GOCR, http://sourceforge.net/projects/jocr

5.OCRchie: Modular Optical Character Recognition Software, http://http.cs.berkeley.edu/~fateman/kathey/ocrchie.html

6.Tesseract, http://code.google.com/p/tesseract-ocr/

 

5.一些OCR工具

1.gscan2pdf：