OCR字符识别系统

一个好人

OCR（Optical Character Recognition，光学字符识别）是指利用电子设备检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别的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。下面介绍一下OCR字符识别系统主要组成：
    一、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。
    预处理：主要包括二值化，噪声去除，倾斜较正等。

    二、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。
    三、噪声去除
    对于不同的文档，对噪声的定义可以不同，根据噪声的特征进行去噪，叫做噪声去除。
    四、倾斜校正
    在拍照文档时，拍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。
    五、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。
    六、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，在众多文字识别软件中有显示字符切割的效果。
    七、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。
    八、版面恢复
    人们希望识别后的文字，仍然像原文档图片那样排列着，段落不变，位置不变，顺序不变，的输出到word文档、pdf文档等，这一过程就叫做版面恢复。
    九、后处理、校对
    根据特定的语言上下文的关系，对识别结果进行较正，就是后处理。