1、清華紫光ocr漢王ocr5 0增強(qiáng)版ocr掃描儀文字2011-06-11清華紫光ocr漢王ocr5.0增強(qiáng)版ocr掃描儀文字識別軟件清華紫光ocr漢王ocr5.0增強(qiáng)版ocr掃描儀文字識別軟件2009年08月24日ocr是英文optical character recognition的縮寫,翻譯成中文就是通過光學(xué)技術(shù)對文字進(jìn)行識別的意思,是自動識別技術(shù)研究和應(yīng)用領(lǐng)域中的一個(gè)重要方面。它是一種能夠?qū)⑽淖肿詣幼R別錄入到電腦中的軟件技術(shù),是與掃描儀配套的主要軟件,屬于非鍵盤輸入范疇,需要圖像輸入設(shè)備主要是掃描儀相配合。現(xiàn)在ocr主要是指文字識別軟件。OCR的基本原理簡單地說,OCR的基本原理就是通過

2、掃描儀將一份文稿的圖像輸入給計(jì)算機(jī),然后由計(jì)算機(jī)取出每個(gè)文字的圖像,并將其轉(zhuǎn)換成漢字的編碼。其具體工作過程是,掃描儀將漢字文稿通過電荷耦合器件CCD將文稿的光信號轉(zhuǎn)換為電信號,經(jīng)過模擬/數(shù)字轉(zhuǎn)換器轉(zhuǎn)化為數(shù)字信號傳輸給計(jì)算機(jī)。計(jì)算機(jī)接受的是文稿的數(shù)字圖像,其圖像上的漢字可能是印刷漢字,也可能是手寫漢字,然后對這些圖像中的漢字進(jìn)行識別。對于印刷體字符,首先采用光學(xué)的方式將文檔資料轉(zhuǎn)換成原始黑白點(diǎn)陣的圖像文件,再通過識別軟件將圖像中的文字轉(zhuǎn)換成文本格式,以便文字處理軟件的進(jìn)一步加工。其中文字識別是OCR的重要技術(shù)。1.OCR識別的兩種方式與其它信息數(shù)據(jù)一樣,在計(jì)算機(jī)中所有掃描儀捕捉到的圖文信息都是用

3、0、1這兩個(gè)數(shù)字來記錄和進(jìn)行識別的,所有信息都只是以0、1保存的一串串點(diǎn)或樣本點(diǎn)。OCR識別程序識別頁面上的字符信息,主要通過單元模式匹配法和特征提取法兩種方式進(jìn)行字符識別。單元模式匹配識別法(Pattern Matching)是將每一個(gè)字符與保存有標(biāo)準(zhǔn)字體和字號位圖的文件進(jìn)行不嚴(yán)格的比較。如果應(yīng)用程序中有一個(gè)已保存字符的大數(shù)據(jù)庫,則應(yīng)用程序會選取合適的字符進(jìn)行正確的匹配。軟件必須使用一些處理技術(shù),找出最相似的匹配,通常是不斷試驗(yàn)同一個(gè)字符的不同版本來比較。有些軟件可以掃描一頁文本,并鑒別出定義新字體的每一個(gè)字符。有些軟件則使用自己的識別技術(shù),盡其所能鑒別頁面上的字符,然后將不可識別的字符進(jìn)行

4、人工選擇或直接錄入。特征提取識別法(Feature Extraction)是將每個(gè)字符分解為很多個(gè)不同的字符特征,包括斜線、水平線和曲線等。然后,又將這些特征與理解(識別)的字符進(jìn)行匹配。舉個(gè)簡單的例子,應(yīng)用程序識別到兩條水平橫線,它就會認(rèn)為該字符可能是二。特征提取法的優(yōu)點(diǎn)是可以識別多種字體,例如中文書法體就是采用特征提取法實(shí)現(xiàn)字符識別的。多數(shù)OCR應(yīng)用軟件都加入了語法智能檢查功能,這種功能進(jìn)一步提高了識別率。它主要通過上下文檢查法實(shí)現(xiàn)拼寫和語法的糾正,在文字識別時(shí),OCR應(yīng)用程序會做多次的上下文銜接性檢查,根據(jù)程序中已經(jīng)存在的詞組、固定的用詞順序,對應(yīng)的檢查字符串的用詞字。比較高級的應(yīng)用軟件

5、會自動用它認(rèn)為正確的詞語替換錯(cuò)誤詞語,糾正語句意思。2.文字識別的幾個(gè)步驟文字識別包括以下幾個(gè)步驟：圖文輸入、預(yù)處理、單字識別和后處理等。(1)圖文輸入是指通過輸入設(shè)備將文檔輸入到計(jì)算機(jī)中,也就是實(shí)現(xiàn)原稿的數(shù)字化。現(xiàn)在用得比較普遍的設(shè)備是掃描儀。文檔圖像的掃描質(zhì)量是OCR軟件正確識別的前提條件。恰當(dāng)?shù)剡x擇掃描分辨率及相關(guān)參數(shù),是保證文字清楚、特征不丟失的關(guān)鍵。此外,文檔盡可能地放置端正,以保證預(yù)處理檢測的傾斜角小,在進(jìn)行傾斜校正后,文字圖像的變形就小。這些簡單的操作,會使系統(tǒng)的識別正確率有所提高。反之,由于掃描設(shè)置不當(dāng),文字的斷筆過多可能會分檢出半個(gè)文字的圖像。文字?jǐn)喙P和筆畫粘連會造成有些特征

6、丟失,在將其特征與特征庫比較時(shí),會使其特征距離加大,識別錯(cuò)誤率上升。(2)預(yù)處理掃描一幅簡單的印刷文檔的圖像,將每一個(gè)文字圖像分檢出來交給識別模塊識別,這一過程稱為圖像預(yù)處理。預(yù)處理是指在進(jìn)行文字識別之前的一些準(zhǔn)備工作,包括圖像凈化處理,去掉原始圖像中的顯見噪聲(干擾)。主要任務(wù)是測量文檔放置的傾斜角,對文檔進(jìn)行版面分析,對選出的文字域進(jìn)行排版確認(rèn),對橫、豎排版的文字行進(jìn)行切分,每一行的文字圖像的分離,標(biāo)點(diǎn)符號的判別等。這一階段的工作非常重要,處理的效果直接影響到文字識別的準(zhǔn)確率。版面分析是對文本圖像的總體分析,是將文檔中的所有文字塊分檢出來,區(qū)分出文本段落及排版順序,以及圖像、表格的區(qū)域。將

7、各文字塊的域界(域在圖像中的始點(diǎn)、終點(diǎn)坐標(biāo)),域內(nèi)的屬性(橫、豎排版方式)以及各文字塊的連接關(guān)系作為一種數(shù)據(jù)結(jié)構(gòu),提供給識別模塊自動識別。對于文本區(qū)域直接進(jìn)行識別處理,對于表格區(qū)域進(jìn)行專用的表格分析及識別處理,對于圖像區(qū)域進(jìn)行壓縮或簡單存儲。行字切分是將大幅的圖像先切割為行,再從圖像行中分離出單個(gè)字符的過程。(3)單字識別單字識別是體現(xiàn)OCR文字識別的核心技術(shù)。從掃描文本中分檢出的文字圖像,由計(jì)算機(jī)將其圖形、圖像轉(zhuǎn)變成文字的標(biāo)準(zhǔn)代碼,是讓計(jì)算機(jī)認(rèn)字的關(guān)鍵,也就是所謂的識別技術(shù)。就像人腦認(rèn)識文字是因?yàn)樵谌四X中已經(jīng)保存了文字的各種特征,如文字的結(jié)構(gòu)、文字的筆畫等。要想讓計(jì)算機(jī)來識別文字,也需要先將

8、文字的特征等信息儲存到計(jì)算機(jī)里,但要儲存什么樣的信息及怎樣來獲取這些信息是一個(gè)很復(fù)雜的過程,而且要達(dá)到非常高的識別率才能符合要求。通常采用的做法是根據(jù)文字的筆畫、特征點(diǎn)、投影信息、點(diǎn)的區(qū)域分布等進(jìn)行分析。中國漢字常用的就有幾千,識別技術(shù)就是特征比較技術(shù),通過和識別特征庫的比較,找到特征最相似的字,提取該文字的標(biāo)準(zhǔn)代碼,即為識別結(jié)果。比較是人們認(rèn)識事物的一種基本方法,漢字識別也是通過比較找出漢字之間的相同、相似、相異,把握其量和質(zhì)的關(guān)系,以及時(shí)間與空間的關(guān)系等。對于大字符集的漢字一般采用多級分類,多特征、全方位動態(tài)匹配求相似集,以保證分類率高、適應(yīng)性強(qiáng)、穩(wěn)定性好；細(xì)分類重點(diǎn)在于對相似集求異匹配、

9、加權(quán)處理、結(jié)構(gòu)判別,定量、定性分析,以及前后聯(lián)接詞的關(guān)系,最后進(jìn)行判別。漢字識別實(shí)質(zhì)上是比較科學(xué)或認(rèn)知科學(xué)在人工智能方面的應(yīng)用,其關(guān)鍵技術(shù)是識別特征庫。計(jì)算機(jī)有了這樣的一個(gè)特征庫,才能完成認(rèn)字的功能。在圖像文檔的版面中,除了有文字、圖片,有時(shí)還會有表格存在,為了使識別后的表格數(shù)字化,需要在版面分析過程中,對表格域進(jìn)行特殊的處理,它包括對表格線的結(jié)構(gòu)信息的提取,對表格內(nèi)文字域的分檢,完成對表格線和對文字域的識別,并根據(jù)表格線的數(shù)字化生成不同的文件格式。由于文檔中的表格隨意性大,格式多樣,有封閉式的,也有開放式的,特別是表格中的斜線,給表格分析造成一定的困難。(4)后處理后處理是指對識別出的文字或

10、多個(gè)識別結(jié)果采用詞組方式進(jìn)行上下匹配,即將單字識別的結(jié)果進(jìn)行分詞,與詞庫中的詞組進(jìn)行比較,以提高系統(tǒng)的識別率,減少誤識率。漢字字符識別是文字識別領(lǐng)域最為困難的問題,它涉及模式識別、圖像處理、數(shù)字信號處理、自然語言理解、人工智能、模糊數(shù)學(xué)、信息論、計(jì)算機(jī)、中文信息處理等學(xué)科,是一門綜合性技術(shù)。近幾年來,印刷漢字識別系統(tǒng)的單字識別正確率已經(jīng)超過95%,為了進(jìn)一步提高系統(tǒng)的總體識別率,掃描圖像、圖像的預(yù)處理以及識別后處理等方面的技術(shù)也都得到了深入的研究,并取得了長足的進(jìn)展,有效地提高了印刷漢字識別系統(tǒng)的總體性能。清華大學(xué)在此方面的研究成果突出,已經(jīng)成為世界上的最具權(quán)威的機(jī)構(gòu)之一。目前,清華紫光的全系

11、列掃描儀中都配裝了清華OCR千禧版軟件,它在識別率、表格識別甚至規(guī)范手寫體的識別方面,均達(dá)到了較高水平。三、ocr文字識別技巧在最近幾年中,ocr識別技術(shù)隨著掃描儀的普及得到了飛速的發(fā)展,掃描、識別軟件的性能不斷強(qiáng)大并向智能化不斷升級發(fā)展。但是要想快速地獲取正確的掃描結(jié)果,得到高效率的文字錄入,必須認(rèn)真學(xué)習(xí)有關(guān)知識,結(jié)合實(shí)踐經(jīng)驗(yàn),摸索出自己的全套解決方案。有時(shí)我們在作文字識別工作時(shí)識別率非常低,根本達(dá)不到軟件所說的95%以上,請先不要責(zé)怪硬件或軟件,其實(shí)這是沒有掌握好掃描及ocr識別技巧的原因。下面是文字識別操作中經(jīng)常用到了一些方法和技巧。1.分辨率的設(shè)置是文字識別的重要前提。一般來講,掃描儀

12、提供較多的圖像信息,識別軟件比較容易得出識別結(jié)果。但也不是掃描分辨率設(shè)得越高識別正確率就越高。選擇300dpi或400dpi分辨率,適合大部分文檔掃描。注意文字原稿的掃描識別,設(shè)置掃描分辨率時(shí)千萬不要超過掃描儀的光學(xué)分辨率,不然會得不償失。下面是部分典型設(shè)置,僅供參考。(1)1、2、3號字的文章段,推薦使用200dpi。(2)4、小4、5號字的文章段,推薦使用300dpl(3)小5、6號字的文章段,推薦使用400dpl(4)7、8號字的文章段,推薦使用600dpi。2.掃描時(shí)適當(dāng)?shù)卣{(diào)整好亮度和對比度值,使掃描文件黑白分明。這對識別率的影響最為關(guān)鍵,掃描亮度和對比度值的設(shè)定以觀察掃描后的圖像中漢

13、字的筆畫較細(xì)但又不斷開為原則。進(jìn)行識別前,先看看掃描得到的圖像中文字質(zhì)量如何,如果圖像存在黑點(diǎn)或黑斑時(shí)或文字線條很粗很黑,分不清筆畫時(shí),說明亮度值太小了,應(yīng)該增加亮度值在試試；如果文字線條凹凸不平,有斷線甚至圖像中漢字輪廓嚴(yán)重殘缺時(shí),說明亮度值太大了,應(yīng)減小亮度后再試試。3.選好掃描軟件。選一款好的適合自己的ocr軟件是作好文字識別工作的基礎(chǔ),一般不要使用掃描儀自帶的oem軟件,oem的ocr軟件的功能少、效果差,有的甚至沒有中文識別,經(jīng)過比較,我認(rèn)為清華紫光ocr2003專業(yè)版和尚書ocr6.0文本自動識別輸入系統(tǒng)的識別能力與使用功能更突出一些。再選一個(gè)圖像軟件,ocr軟件不是有掃描接口嗎?

14、為什么還找圖像軟件?第一,ocr軟件不能識別所有的掃描儀；第二,也是最關(guān)鍵的,利用圖像軟件的掃描接口掃描出來的圖像便于處理；一般選用photoshop。4.如果要進(jìn)行的文本是帶有格式的,如粗體、斜體、首行縮進(jìn)等,部分ocr軟件識別不出來,會丟失格式或出現(xiàn)亂碼。如果必須掃描帶有格式的文本,事先要確保使用的識別軟件是否支持文字格式的掃描。也可以關(guān)閉樣式識別系統(tǒng),使軟件集中注意力查找正確的字符,不再顧及字體和字體格式。5.在掃描識別報(bào)紙或其他半透明文稿時(shí),背面的文字透過紙張混淆文字字形,對識別會造成很大的障礙。遇到該類掃描,只要在掃描原稿的背面附。蓋一張黑紙,掃描時(shí),增加掃描對比度,即可減少背面模糊

15、字體的影響,提高識別正確率,6.一般文本掃描原稿都為黑、白兩色原稿,但是在掃描設(shè)置時(shí)卻常將掃描模式設(shè)為灰度模式。特別是在原稿質(zhì)量較差時(shí),使用灰度模式掃描,并在掃描軟件處理完后再繼續(xù)識別,這樣會得到較好的識別正確率。值得注意的是ocr識別軟件可以自己確定閥值,幾個(gè)百分點(diǎn)的閥值差異,可能就會影響識別的正常進(jìn)行。當(dāng)然,得到的圖像文件的大小會比黑白文件大很多。在進(jìn)行大批量文稿掃描時(shí),必須對原稿進(jìn)行測試,找到最佳的閥值百分比。7.遇到圖文混排的掃描原稿,首先明確使用的識別軟件是否支持自動分析圖文這一功能。如果支持的話,在進(jìn)行這類掃描識別時(shí),ocr軟件會自動計(jì)算出文本的內(nèi)容、位置和先后順序。文字部分可以按

16、照標(biāo)示順序正常識別。8.手動選取掃描區(qū)域會有更好識別效果。設(shè)置好參數(shù)后,先預(yù)覽一下,然后開始選取掃描區(qū)域。不要將要用的文章一股腦兒選在一個(gè)區(qū)域內(nèi),因?yàn)楝F(xiàn)在的文章排版為了追求更好的視覺效果,使用圖文混排的較多,掃成一幅圖像會影響ocr識別。因此,要根據(jù)實(shí)際情況將版面分成n個(gè)區(qū)域,怎么劃分區(qū)域呢?每一區(qū)域內(nèi)的文字字體、字號最好一致,沒有圖形、圖像,每一行的寬度一致,遇到長短不一,再細(xì)分,一般一次最多可掃描10個(gè)選區(qū)。根據(jù)不同情況,合理地設(shè)置識別區(qū)域的順序。不要嫌這個(gè)過程太煩,那可是提高識別率的有效手段。注意各識別區(qū)域不能有交叉,做到一切覺得完好以后再進(jìn)行識別。這樣一般的識別率會在95%以上,對于識

17、別不正確的文字進(jìn)行校對后,就可以進(jìn)入相應(yīng)的文字處理軟件進(jìn)行所需的處理了。9.在放置掃描原稿時(shí),把掃描的文字材料一定要擺放在掃描起始線正中,以最大限度地減小由于光學(xué)透鏡導(dǎo)致的失真。同時(shí)應(yīng)保護(hù)掃描儀玻璃的干凈和不受損害。文字有一定角度的傾斜,或者是原稿文字部分為不正規(guī)排版,必須在掃描后使用旋轉(zhuǎn)工具,進(jìn)行糾正；否則ocr識別軟件會將水平筆劃當(dāng)做斜筆劃處理,識別正確率會下降很多。建議用戶盡量將掃描原稿放正,用工具旋轉(zhuǎn)糾正會降低圖像質(zhì)量,使字符識別更加困難。10.先預(yù)覽整體版面,選定要掃描的區(qū)域,再用放大預(yù)覽工具,選擇一小塊進(jìn)行放大顯示到全屏幕,觀察其文字的對比度,文字的深淺濃度,據(jù)情況調(diào)整閥值的大小,

18、最終要求文字清晰,不濃(文字成團(tuán)),不淡(文字?jǐn)喙P伐),一般在閥值80左右為宜,最后再掃描。11.用工具擦掉圖像污點(diǎn),包括原來版面中的不需要識別的插圖、分隔線等,使文字圖像中除了文字沒有一點(diǎn)多余的東西；這可以大提高識別率并減少識別后的修改工作。12.如果要掃描印刷質(zhì)量稍微差一些的文章,比如說報(bào)紙,掃描的結(jié)果將不會黑白分明,會出現(xiàn)大量的黑點(diǎn),而且在字體的筆畫上也會出現(xiàn)粘連現(xiàn)象,這兩項(xiàng)可是漢字識別的大忌,將嚴(yán)重影響漢字識別的正確率。為獲得較好的識別結(jié)果,必須仔細(xì)進(jìn)行色調(diào)調(diào)節(jié),反復(fù)掃描多次才能獲得比較理想的結(jié)果。另外由于報(bào)紙很薄且大部分紙質(zhì)不高,導(dǎo)致掃描儀上蓋板不能完全壓住報(bào)紙(有縫隙),所以一般情

19、況下報(bào)紙的掃描識別效果沒有雜志的效果好。解決辦法是在報(bào)紙上壓一至兩本16k的雜志,效果還是不錯(cuò)的。四、ocr常見問題的解決1.文字校正文字校正應(yīng)該是ocr識別中最麻煩和繁瑣的工作了,要想減少工作量的話,大家可以使用readbook作為文字校正的輔助工具。我們用到的主要功能是：自動平滑滾屏；可以對文件進(jìn)行局部編輯；具有智能分段功能,可以將每行都是硬回車換行的文章,去掉回車重新排列,并且不破壞原有的段落；啟動時(shí)可自動裝入上次正在閱讀的文章。2.表格識別和編輯清華紫光ocr和尚書ocr都提供了表格識別功能,尚書ocr做得比較好,能夠?qū)Ρ砀襁M(jìn)行自動識別,但在識別時(shí)要與其它文字版塊區(qū)分劃開,才會得到整個(gè)

20、頁面的識別。我們在用紫光ocr識別表格時(shí),往往只能識別出表頭而無表格。這是因?yàn)樽瞎鈕cr不能對表格自動進(jìn)行劃分,我們需要進(jìn)行手動版面分析,單獨(dú)定義出表格屬性。紫光ocr的識別屬性分為橫排正文、豎排正文及表格,只要將表頭單獨(dú)框起來定義為橫排正文,再單獨(dú)將表格框起來定義為表格就可以正確識別了。如果我們用word等編輯軟件將識別后的表格文件直接打開時(shí),表格可能會一團(tuán)糟,這是因?yàn)楸砀窬€是被作為字符處理的。解決這個(gè)問題最簡單的方法是使用wps 2000,它可以將字符型的表格線直接轉(zhuǎn)換成可編輯的表格。如果我們需要在word里進(jìn)行編輯,只需在wps 2000里將文件另存為rtf格式就可以了。注意：請不要使用

21、復(fù)制粘貼,因?yàn)閣ord是將wps 2000的表格作為圖片來處理。3.段落重排一些朋友在識別后文本的再處理時(shí),大多將其復(fù)制粘貼到word中,利用word強(qiáng)大的查找替換功能來去掉多余的硬回車。其實(shí)我們完全不需要這樣麻煩,尚書ocr、漢王ocr和紫光ocr都提供了段內(nèi)去硬回車的功能。尚書、漢王使用比較簡單,只要在識別后的文本存盤時(shí),選回車設(shè)置為軟回車就行了。對于紫光ocr則需要在識別完成后,選擇文件菜單下的導(dǎo)出命令,將存為類型選為txt,段內(nèi)回車字符選為無。注意：一定不要直接存盤,否則不能自動去掉文章的硬回車。4.軟件的兼容性在購買掃描儀的時(shí)候,一般都會隨機(jī)獲贈一款ocr識別軟件。我們也可以另選一些

22、適合自己的ocr識別軟件,下面就介紹一下兩款主流ocr軟件的兼容性問題。(1)清華紫光ocr清華紫光ocr專業(yè)版是紫光系列掃描儀隨機(jī)附贈的ocr軟件,它具有支持的圖像格式多,識別率高,支持表格識別等特點(diǎn),是一款不錯(cuò)的ocr軟件。但它只支持紫光系列的掃描儀,如果在其它品牌的掃描儀上使用,它會顯示出錯(cuò)信息,并拒絕工作。(2)尚書ocr尚書5.0這款ocr識別軟件,具有識別率高,界面簡單友好的特點(diǎn),特別適合于初學(xué)者。它適用于microtek,n-tek,scanpaq,scanport系列掃描儀,該軟件只識別自己掃描的圖像,很不方便。解決方法：其實(shí)解決此類問題也很簡單,我們可以使用其它圖像處理軟件來進(jìn)行掃描,只要掃描得到的圖像格式能夠被ocr軟件所支持、識別就可以了。這里介紹一款專為ocr軟件設(shè)計(jì)的圖像增強(qiáng)軟件掃描小精靈,它能有效地提高輸入圖像質(zhì)量,它提供的全自動掃描方式、自動存