什么是OCR

OCR的英文全稱：

OCR是英文Optical Character Recognition的縮寫，意思是光學字符識別，也可簡單地稱為文字識別，是文字自動輸入的一種方法。它通過掃描和攝像等光學輸入方式獲取紙張上的文字圖像信息，利用各種模式識別算法分析文字形態特征，判斷出漢字的標準編碼，并按通用格式存儲在文本文件中，所以，OCR是一種非常快捷、省力的文字輸入方式，也是在文字量比較大的今天，很受人們歡迎的一種輸入方式。

OCR的發展簡況

OCR的概念是在1929年由德國科學家Tausheck最先提出來的，后來美國科學家Handel也提出了利用技術對文字進行識別的想法。而最早對印刷體漢字識別進行研究的是IBM公司的Casey和Nagy，1966年他們發表了第一篇關于漢字識別的文章，采用了模板匹配法識別了1000個印刷體漢字。

20世紀70年代初，日本的學者開始研究漢字識別，并做了大量的工作。我國研究漢字識別的起步比較晚，20世紀70年代末才開始進行OCR的研究工作。早期的OCR軟件，由于識別率及產品化等多方面的因素，未能達到實際要求。同時，由于硬件設備成本高，運行速度慢，也沒有達到實用的程度。只有個別部門，如信息部門、新聞出版單位等使用OCR軟件。1986年以后我國的OCR研究有了很大進展，在漢字建模和識別方法上都有所創新，在系統研制和開發應用中都取得了豐碩的成果，不少單位相繼推出了中文OCR產品。進入20世紀90年代以后，隨著平臺式掃描儀的廣泛應用，以及我國信息自動化和辦公自動化的普及，大大推動了OCR技術的進一步發展，使OCR的識別正確率、識別速度滿足了廣大用戶的要求。

目前，比較流行的OCR軟件很多，英文OCR主要有OmniPage，中文OCR主要有清華紫光OCR、清華文通OCR、漢王OCR、中晶尚書OCR、丹青OCR、蒙恬OCR等。盡管漢字字量大、字形復雜，但OCR技術已經走向成熟。許多OCR軟件不僅能識別黑白印刷體漢字，還能識別灰度和彩色印刷體漢字，識別速度很快，識別正確率達到了99％以上；可識別宋體、黑體、楷體等多種字體的簡、繁體；可對多種字體、不同字號的混排進行識別；有些OCR軟件還能識別圖像、表格。與此同時，對于手寫體漢字識別的研究也取得了很大進展，正確識別率已達到了70％以上。

OCR軟件的應用

在掃描儀市場上，許多類型的辦公和家用掃描儀均配有OCR軟件，如紫光的掃描儀配備了紫光O

CR，中晶的掃描儀配備了尚書OCR，Mustek的掃描儀配備了丹青OCR等。掃描儀與OCR軟件共同承擔著從文稿的輸入到文字識別的全過程。

文稿掃描在辦公領域中經常用到，即將報紙、雜志等媒體上刊載的有關文稿通過掃描儀進行掃描，隨后進行OCR識別，或存儲成圖像文件，留待以后進行OCR識別，將圖像文件轉換成文本文件或Word文件進行存儲。

此外，數字化信息的存儲、傳輸、不僅成本低、效率高，而且能夠適應排版，網絡傳輸等不斷發展的需要。目前我國有很多歷史遺留下來的大量圖書、報刊、雜志等紙質珍品，急需將其轉換成電子信息。如電子圖書館的建立，就需要將圖書逐頁掃描，加上OCR軟件的識別，更替代了人工鍵入文字的工作，大大縮短了錄入時間，減輕了勞動強度，節省了人力且降低了費用，提高了錄入正確率、工作效率和現代辦公自動化程度。

目前OCR軟件與掃描儀的搭配已應用到信息化時代的多個領域，如數字化圖書館，各種報表的識別，以及銀行、稅務系統票據的識別等。隨著網絡化、信息化的發展與普及，其應用范圍將越來越廣泛。

OCR系統的組成

漢字識別軟件OCR的功能是將各種錄入漢字、印刷體或手寫體中每個漢字的圖形或圖像通過計算機辨認出來，并標出漢字類別代碼。因此，漢字識別歸根結底是一個圖像識別問題。由于漢字信息量很大，具有不同的字形、字體，而且結構復雜，因此漢字識別的過程極其復雜。

由于掃描儀的普及與廣泛應用，OCR軟件只需提供與掃描儀的接口，利用掃描儀驅動軟件即可。因此，OCR軟件主要是由圖像處理模塊、版面劃分模塊、文字識別模塊和文字編輯模塊等4部分組成。

1、圖像處理模塊

圖像處理模塊主要具有文稿掃描、圖像縮放、圖像旋轉等功能。通過掃描儀輸入后，文稿形成圖像文件，圖像處理模塊可對圖像進行放大，去除污點和劃痕，如果圖像放置不正，可以手工或自動旋轉圖像，目的是為文字識別創造更好的條件，使識別率更高。

2、版面劃分模塊

版面劃分模塊主要包括版面劃分、更改劃分，即對版面的理解、字切分、歸一化等，可選擇自動或手動兩種版面劃分方式。目的是告訴OCR軟件將同一版面的文章、表格等分開，以便于分別處理，并按照怎樣的順序進行識別。

3、文字識別模塊

文字識別模塊是OCR軟件的核心部分，文字識別模塊主要對輸入的漢字進行"閱讀"，但不能一目多行，必須逐行切割，對于漢字通常也是一個字一個字地辨認，即單字識別，再進行歸一化。文字識別模塊通過對不同樣本漢字的特征進行提取，完成識別，自動查找可疑字，具有前后聯想等功能。

4、文字編輯模塊

文字編輯模塊主要對OCR識別后的文字進行修改、編輯，如系統識別認為有誤，則文字會以醒目的紅色或藍色顯示，并提供相似的文字供選擇，選擇編輯器供輸出等。

OCR軟件的使用方法

OCR軟件的種類雖然很多，但其使用方法大同小異。首先要對文稿進行掃描，然后進行OCR識別。OCR軟件的使用方法如下：

1、文稿掃描

為了利用OCR軟件進行文字識別，可直接在OCR軟件中掃描文稿。運行OCR軟件后，會出現OCR軟件界面。

將要掃描的文稿放在掃描儀的玻璃面上，使要掃描的一面朝向掃描儀的玻璃面并讓文稿的上端朝下，與標尺邊緣對齊，再將掃描儀蓋上，即可準備掃描。點擊視窗中的"掃描"鍵，即可進入掃描驅動軟件進行掃描，有關掃描方法這里不再贅述。但應注意的是：分辨力可設置在200～400dpi，對于文本文檔，調整亮度適中很關鍵。掃描后的文檔圖像出現在OCR軟件視窗中。

2、OCR識別

為了便于操作，可從菜單中選擇選項，各種圖標出現在視窗的左邊。

為了更好使用，首先從上到下介紹畫面左邊的圖標：

"放大"工具：用于放大圖像；"縮小"工具：用于縮小圖像；"設定識別區域"工具：用于設定識別區域；"設定識別順序"工具：用于設定識別順序；"刪除識別區域"工具：用于刪除識別區域；"擦除圖像雜點"工具：用于擦除圖像中的雜點；"擦拭圖像塊"工具：用于擦除圖像中的某一區域；"旋轉圖像"工具：用于將圖像旋轉90°、180°或270°；"傾斜校正"工具：用于手動圖像傾斜校正。

OCR識別的一般步驟：

(1)文稿掃描后，剛開始出現在視窗中的要識別的文字畫面很小，首先選擇"放大"工具，對畫面進行適當放大，以使畫面看得更清楚。必要時還可以選擇"縮小"工具，將畫面適當縮小。

(2)如果畫面需要旋轉90°，180°或270°，可使用"旋轉圖像"工具旋轉圖像。如果文字畫面傾斜，可選擇"傾斜校正"工具，將畫面調正。

(3)識別時選擇"設定識別區域"工具，在文字畫面上框出要識別的區域，這時也可根據畫面情況框出多個區域。如果所框區域有誤，則可使用"刪除識別區域"工具，刪除所選識別區域。

(4)為了提高識別率，如果所選識別區有雜點或有不能識別的圖像，則可選擇"擦除圖像雜點"工具，將雜點一點一點地擦除。如果需要成片地擦除，則可選擇"擦拭圖像塊"工具。

(5)點擊"識別"圖標，則OCR顯示正在進行文字切分，然后轉入"正在識別"畫面，將識別的文字逐步顯示出來，"文稿校對"窗口。

許多OCR軟件都具有文字修改功能，被識別出可能有錯誤的文字，用比較鮮明的顏色顯示出來，并且可以進行修改。

(6)將識別后的文件存儲成文本(TXT)文件或Word的RTF文件。