OCR汉字识别系统获取纸质图片资料文字信息技巧

钟子喆+韦军+朱凤印

摘要：OCR汉字识别系统通过扫描仪扫描，能快速将纸质文本信息转换成Word可编辑文本，极大地提高了工作效率，因此漢字OCR识别技术有着广泛的发展前途及实际应用价值，文章提到的具体操作方法可以有效地应用于实际工作当中，供同行参考。

关键词：OCR汉字识别系统 原理 方法 技巧

中图分类号：TP391 文献标识码：A 文章编号：1009-5349（2017）16-0191-03

一、 什么是OCR？

OCR是（Optical Character Recognition）的缩写，即光学字符识别，也可简称文字识别。它的工作原理就是通过电子设备检查纸质资料上打印的字符，采用光电转换装置将汉字或字符转换成电信号，并由计算机进行检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。[1]

衡量OCR系统性能优劣主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。[2]早期的OCR软件在识别率等方面不是很理想。文字识别的工作只能由简单的识别软件逐字进行，无法分辨不同的字体，对于手写体或是印刷效果不清晰的印刷品，在识别上有一定的难度。有人做过实验，对于印刷品模糊或是手写体过于潦草的汉字，识别后的修改时间与正常打字的速度相差不多，有时甚至还赶不上人工打字的速度。但是随着这项技术的日趋成熟，识别软件已经进入了人工智能阶段，它不仅能识别黑白印刷体汉字，还能识别灰度和彩色印刷体汉字，识别正确率能达到99% ，对于手写汉字识别率已达到70% 以上，对于大批量的印刷文字向电子文档的输入，OCR汉字识别效率与识别率都能让用户十分满意。[3-12]

二、 原理与功能模块[4]

OCR的功能是将各种录入汉字、印刷体或手写体中每个汉字的图形或图像通过计算机辨认出来，并标出汉字类别代码，从而获取文字及版面信息的过程。[2]因此，汉字识别归根结底是一个图像识别问题。由于汉字信息量很大，具有不同的字形、字体，而且结构复杂，因此汉字识别的过程极其复杂。汉字识别系统可由汉字图形输入装置、予处理器、识别器、后处理器几部分组成。如图1所示。

汉字图形输入装置主要功能是通过光、电输入设备，将原稿转换成二维点阵图形。所谓的原稿指的就是印刷的纸质资料。

予处理器是指对印刷的纸质资料文稿页，进行成分分析、字符的分割、去干扰等。

后处理器是对识别后的词组、词条和上下文关系进行后期纠错、输出。

三、OCR适合对象[4]

（1）印刷行业、文印店经常会遇到客户只给你一本厚厚的宣传册，要明天之前必须把那本宣传册上的文字原原本本打出来。OCR能极大地减轻录入工作强度、提高录入速度，是非常快捷、省力的好帮手。

（2）办公室工作人员经常会遇到要马上把纸质文本打印成Word文档的工作，对于打字慢或是懒得打字的人，为了完成工作任务，OCR是非常好的选择。

（3）其他对象：广泛应用于网上资源数据库、数字化图书馆、档案部门，尤其是对于原始纸质文件、档案、书稿等的引用、检索数字化工作，OCR能轻松提高效率。

四、OCR系统识别汉字的方法

文字识别模块是OCR软件的核心部分，它主要对输入的汉字进行“阅读”，但不能一目多行，必须逐行切割，一个个字的辨认，即单字识别，再进行归一化。文字识别模块通过对不同样本汉字的特征进行提取，完成识别，自动查找可疑字，具有前后联想等功能。[4]

（一）汉字识别所需硬件、软件

一般来说进行汉字识别只需要一台计算机、扫描仪即可。OCR汉字识别软件在购买扫描仪时会自带，安装在本机上运行即可。不同的扫描仪所附带的OCR汉字识别软件是不一样的。目前，市面上的OCR软件有丹青、汉王、蒙恬OCR、清华紫光、尚书等。OCR软件的种类虽然很多，但其使用方法大同小异。现以清华紫光OCR2003专业版为例，介绍其具体操作过程和使用技巧。[5]清华紫光OCR2003专业版具有识别率高、支持表格识别等特点，流程分为四步：获取识别图像；图像版面处理；识别及修改；结果输出。[6]

（二）设置扫描模式及扫描

在本机上安装好清华紫光OCR2003千禧版之后双击桌面图标，打开扫描仪对扫描参数进行设置。如果选择“直接终扫”，系统只进行一次扫描。“直接终扫”能节约时间，但是前提是要把需识别的纸质文本在扫描仪中放好，扫描时尽量不要出现歪斜现象。

扫描时采用的分辨率是识别过程的关键。一般杂志或报纸需300dpi的分辨率就能足够供OCR产生良好的识别效果，以激光打印机输出设备的纸质文件在300dpi的扫描品质下，识别率可以达到99%。[7]扫描完成后，利用紫光OCR2003千禧版对该纸质文件进行识别。拖动中间或是右侧工作区域内的蓝色线框，可调整识别范围，框选部分颜色会以黄色显示，如图2所示。

（三）倾斜矫正和版面分析

OCR系统有自动倾斜矫正和手动倾斜矫正两种方式，建议使用自动倾斜矫正。由于印刷和用户多方面操作的原因，扫描得到的图像可能有一定的倾斜角度，尤其是小的倾斜角度，在扫描中难以避免，倾斜角度小OCR系统可以自动适应，无须任何处理就可识别；倾斜角度小于10—15度时可以先进行倾斜矫正，然后再进行识别处理；如果倾斜角度大于15度的图像，建议重新扫描。[8]

版面分析是指将扫描得到的图像，划分出每一个区域块，目的是告诉OCR软件将同一版面的文章、表格等分开，以便于分别处理，并按照一定的顺序进行识别。对于划分出的区域范围，简单的图像版式笔者建议使用自动分析，报刊等复杂版式建议采用手动分析，以免遗漏所要识别的文字。[9]

（四）进行文字识别

扫描后的图像文件，经过倾斜矫正、版面分析等处理后，即可进入识别阶段。识别窗口菜单栏上有“横排正文”按钮

和“豎排文字”按钮

，如果没有其他的复杂的内容，一般默认用

就可以，不用进行版面分析就能识别。识别是OCR系统的核心，为了保证正确地识别，应按以下的步骤进行。

（1）选择正确地识别字体。[10]选择工具面板上的

按钮旁边的小黑三角，根据识别图像的具体情况选择字体 。

简体多体（印刷体）——常见的宋体、仿宋体、黑体、楷体、圆体

繁体多体（印刷体）——常见的宋体、仿宋体、黑体、楷体、圆体

纯 英 文（印刷体）——常见的英文多种字体

手 写 体——要求笔记规范、不潦草

（2）在展开的左侧面板下拉列表中选择“TMP0000.TXT”，同时，软件右侧会自动显示需识别的扫描文字，如图3所示。

（3） 点击OCR系统工具条中的【全部识别】

按钮之后，面板被分为上下两部分，如图4所示，其中上部分显示已经识别出来的字符，下半部分是扫描原稿。识别体现OCR的核心技术。从扫描文本中分检出的文字图像，计算机根据方案的笔画、特征点、投影信息、点的区域分布等进行分析，并将其转变成文字的标准代码的过程。[11]

图中醒目的红色汉字，表示系统识别认为有误，需要进一步识别和确认。同时，系统还提供了相似的文字供选择。因为大部分汉字已经被识别，红颜色显示的只有小部分，需要使用者逐个比对。如果想要对于识别过的图像进行再次识别，系统会出现对话框，提示是否覆盖已有的识别结果。

（4）对已识别的文字进行保存。点击【导出】按钮

→【保存类型】→】， 或Word的RTF文件，文件名为“扫描1”。用记事本打开识别 “扫描1” 文件并将其拷贝/粘贴在Word中，对其进行编辑和格式调整即可。

五、结语

使用OCR软件时要保证印刷品的清晰度，是真正提高工作效率的关键，如何除错或利用辅助信息提高识别正确率，仍是OCR最重要的课题。

参考文献：

[1] 徐永芳.OCR技术在档案数字化过程中的应用[J].艺术科技，2011（2）.

[2] OCR文字识别系统[EB/OL].http：//zhidao.baidu.com/question/277594055.html， 2011-06-09.

[3] 白桦.提高OCR识别率[J].电脑知识与技术，2004（34）：4.

[4] 丁龙，陆俞，颜世崇.汉字OCR的原理、方法与应用[J].高师理科学刊，1998，18（6）：19-21.

[5] 王桂敏，齐凤河. OCR软件使用经验浅谈[J].科技信息，2006（6）：18.

[6] 詹庄影.OCR文字识别系统使用技巧[J].华南金融电脑，2002（11）：81.

[7] 印刷体OCR识别技术[J].企业标准化，2004（5）：44.

[8] 蓝色理想.OCR 图片文字识别图解教程[EB/OL]. 2006-11-20[20012-03-08].http：//www.blueidea.com/computer/soft/2006/4278.asp.

[9] 可可豆.自己动手提高OCR 识别率[J].广东电脑与电讯，2003（3）：81.

[10] OCR文字识别技术[EB/OL].2006-03-07[20012-03-08].http：//news.pack.cn/packtechnology/bzxjs/2006-03/2006030714050309.shtml.

[11] 浅谈文字识别软件OCR [EB/OL].http：//wenku.baidu.com/view/5961ef68af1ffc4ffe47ac58.html.

[12] 深入探究光学字符识别软件——OCR[EB/OL]. 2004-05-13[2012-03-08].http：//info.printing.hc360.com/HTML/001/010/001/29952.htm.

Abstract： OCR Chinese characters recognition system is scanned by a scanner， can quickly be paper text information into Word editable text， improved work efficiency greatly， so the Chinese characters OCR recognition technology has a broad development prospects and practical value， this article refers to the specific operation method can be effectively applied in practical work， for reference.

Key words： OCR Chinese characters recognition system， Principle ，Method， Skill，