在深圳市住房和建设局网站,360推广 网站建设,discuz 做视频网站,住房和成乡建设部网站光学字符识别(Optical Character Recognition)简称为“OCR”。ORC是指对包含文本资料的图像文件进行分析识别处理#xff0c;获取文字及版面信息的技术。
一般包括以下几个过程#xff1a;
1.图像输入
针对不同格式的图像#xff0c;有着不同的存储格式和压缩方式。目前获取文字及版面信息的技术。
一般包括以下几个过程
1.图像输入
针对不同格式的图像有着不同的存储格式和压缩方式。目前用于存取图像的开源项目有OpenCV和CxImage等。
2.预处理
预处理主要包括二值化、噪声去除和倾斜较正具体内容如下 二值化大多数情况下使用摄像头拍摄的图片都是彩色图像彩色图像包含的信息量非常丰富需要进行简化。我们可以将图片的内容简单地分为前景和背景为了让计算机更快地、更好地识别文字需要先对彩色图像进行处理使图片只剩下前景与背景信息即简单地定义前景信息为黑色背景信息为白色这就是二值化图。彩色图像和二值化图像处理前后对比如图1所示。
噪声清除对于不同的文档噪声的定义可以不同。根据噪声的特征进行消除处理这就叫做噪声去除。
倾斜校正通常情况下用户拍摄的照片比较随意很有可能拍照文档会产生倾斜。这时需要使用文字识别软件进行校正。
3.版面分析
将文档图片分段落、分行的过程叫做版面分析。由于实际文档的多样性和复杂性目前没有一个固定的、最好的切割模型。
4.字符切割
由于拍照条件的限制经常会造成字符粘连、断笔等情况因此极大地限制了识别系统的性能。此时就需要文字识别软件具备字符切割的功能。
5.字符识别
很早的时候就有模板匹配后来是以特征提取为主。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地增加了提取的难度。
6.版面恢复
通常人类希望识别后的文字仍然按照原文档图片那样排列着保持段落不变、位置不变、顺序不变之后输出到Word文档或PDF文档这个过程就叫做版面恢复。
7.后处理、核对
不同的语言环境中语言的逻辑顺序是不同的。因此需要根据语言特征的上下文对识别后的结果进行校正这个过程就是后处理。
