OCR（Optical Character Recognition，光學(xué)字符識(shí)別），是屬于圖型識(shí)別（Pattern Recognition，PR）的一門學(xué)問(wèn)。其目的就是要讓計(jì)算機(jī)知道它到底看到了什么，尤其是文字資料。 由于OCR是一門與識(shí)別率拔河的技術(shù)，因此如何除錯(cuò)或利用輔助信息提高識(shí)別正確率，是OCR最重要的課題，ICR（Intelligent Character Recognition）的名詞也因此而產(chǎn)生。而根據(jù)文字資料存在的媒體介質(zhì)不同，及取得這些資料的方式不同，就衍生出各式各樣、各種不同的應(yīng)用。在此對(duì)OCR作一基本介紹，包括其技術(shù)簡(jiǎn)介以及其應(yīng)用介紹。 一、OCR的發(fā)展要談OCR的發(fā)展，早在60、70年代，世界各國(guó)就開始有OCR的研究，而研究的初期，多以文字的識(shí)別方法研究為主，且識(shí)別的文字僅為0至9的數(shù)字。以同樣擁有方塊文字的日本為例，1960年左右開始研究OCR的基本識(shí)別理論，初期以數(shù)字為對(duì)象，直至1965至1970年之間開始有一些簡(jiǎn)單的產(chǎn)品，如印刷文字的郵政編碼識(shí)別系統(tǒng)，識(shí)別郵件上的郵政編碼，幫助郵局作區(qū)域分信的作業(yè)；也因此至今郵政編碼一直是各國(guó)所倡導(dǎo)的地址書寫方式。OCR可以說(shuō)是一種不確定的技術(shù)研究，正確率就像是一個(gè)無(wú)窮趨近函數(shù)，知道其趨近值，卻只能靠近而無(wú)法達(dá)到，永遠(yuǎn)在與100%作拉鋸戰(zhàn)。因?yàn)槠錉砍兜囊蛩靥嗔?，書寫者的?xí)慣或文件印刷品質(zhì)、掃描儀的掃瞄品質(zhì)、識(shí)別的方法、學(xué)習(xí)及測(cè)試的樣本……等等，多少都會(huì)影響其正確率，也因此，OCR的產(chǎn)品除了需有一個(gè)強(qiáng)有力的識(shí)別核心外，產(chǎn)品的操作使用方便性、所提供的除錯(cuò)功能及方法，亦是決定產(chǎn)品好壞的重要因素。一個(gè)OCR識(shí)別系統(tǒng)，其目的很簡(jiǎn)單，只是要把影像作一個(gè)轉(zhuǎn)換，使影像內(nèi)的圖形繼續(xù)保存、有表格則表格內(nèi)資料及影像內(nèi)的文字，一律變成計(jì)算機(jī)文字，使能達(dá)到影像資料的儲(chǔ)存量減少、識(shí)別出的文字可再使用及分析，當(dāng)然也可節(jié)省因鍵盤輸入的人力與時(shí)間。從影像到結(jié)果輸出，須經(jīng)過(guò)影像輸入、影像前處理、文字特征抽取、比對(duì)識(shí)別、最后經(jīng)人工校正將認(rèn)錯(cuò)的文字更正，將結(jié)果輸出。在此逐一介紹：影象輸入：欲經(jīng)過(guò)OCR處理的標(biāo)的物須透過(guò)光學(xué)儀器，如影像掃描儀、傳真機(jī)或任何攝影器材，將影像轉(zhuǎn)入計(jì)算機(jī)?？萍嫉倪M(jìn)步，掃描儀等的輸入裝置已制作的愈來(lái)愈精致，輕薄短小、品質(zhì)也高，對(duì)OCR有相當(dāng)大的幫助，掃描儀的分辨率使影像更清晰、掃除速度更增進(jìn)OCR處理的效率。影象前處理：影像前處理是OCR系統(tǒng)中，須解決問(wèn)題最多的一個(gè)模塊，從得到一個(gè)不是黑就是白的二值化影像，或灰階、彩色的影像，到獨(dú)立出一個(gè)個(gè)的文字影像的過(guò)程，都屬于影像前處理。包含了影像正規(guī)化、去除噪聲、影像矯正等的影像處理，及圖文分析、文字行與字分離的文件前處理。在影像處理方面，在學(xué)理及技術(shù)方面都已達(dá)成熟階段，因此在市面上或網(wǎng)站上有不少可用的鏈接庫(kù)；在文件前處理方面，則憑各家本領(lǐng)了；影像須先將圖片、表格及文字區(qū)域分離出來(lái)，甚至可將文章的編排方向、文章的題綱及內(nèi)容主體區(qū)分開，而文字的大小及文字的字體亦可如原始文件一樣的判斷出來(lái)。文字特征抽?。?jiǎn)我宰R(shí)別率而言，特征抽取可說(shuō)是OCR的核心，用什么特征、怎么抽取，直接影響識(shí)別的好壞，也所以在OCR研究初期，特征抽取的研究報(bào)告特別的多。而特征可說(shuō)是識(shí)別的籌碼，簡(jiǎn)易的區(qū)分可分為兩類：一為統(tǒng)計(jì)的特征，如文字區(qū)域內(nèi)的黑/白點(diǎn)數(shù)比，當(dāng)文字區(qū)分成好幾個(gè)區(qū)域時(shí)，這一個(gè)個(gè)區(qū)域黑/白點(diǎn)數(shù)比之聯(lián)合，就成了空間的一個(gè)數(shù)值向量，在比對(duì)時(shí)，基本的數(shù)學(xué)理論就足以應(yīng)付了。而另一類特征為結(jié)構(gòu)的特征，如文字影像細(xì)線化后，取得字的筆劃端點(diǎn)、交叉點(diǎn)之?dāng)?shù)量及位置，或以筆劃段為特征，配合特殊的比對(duì)方法，進(jìn)行比對(duì)，市面上的線上手寫輸入軟件的識(shí)別方法多以此種結(jié)構(gòu)的方法為主。對(duì)比數(shù)據(jù)庫(kù)：當(dāng)輸入文字算完特征后，不管是用統(tǒng)計(jì)或結(jié)構(gòu)的特征，都須有一比對(duì)數(shù)據(jù)庫(kù)或特征數(shù)據(jù)庫(kù)來(lái)進(jìn)行比對(duì)，數(shù)據(jù)庫(kù)的內(nèi)容應(yīng)包含所有欲識(shí)別的字集文字，根據(jù)與輸入文字一樣的特征抽取方法所得的特征群組。對(duì)比識(shí)別：這是可充分發(fā)揮數(shù)**算理論的一個(gè)模塊，根據(jù)不同的特征特性，選用不同的數(shù)學(xué)距離函數(shù)，較有名的比對(duì)方法有，歐式空間的比對(duì)方法、松弛比對(duì)法（Relaxation）、動(dòng)態(tài)程序比對(duì)法（Dynamic Programming，DP），以及類神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫(kù)建立及比對(duì)、HMM（Hidden Markov Model）…等著名的方法，為了使識(shí)別的結(jié)果更穩(wěn)定，也有所謂的專家系統(tǒng)（Experts System）被提出，利用各種特征比對(duì)方法的相異互補(bǔ)性，使識(shí)別出的結(jié)果，其信心度特別的高。字詞后處理：由于OCR的識(shí)別率并無(wú)法達(dá)到百分之百，或想加強(qiáng)比對(duì)的正確性及信心值，一些除錯(cuò)或甚至幫忙更正的功能，也成為OCR系統(tǒng)中必要的一個(gè)模塊。字詞后處理就是一例，利用比對(duì)后的識(shí)別文字與其可能的相似候選字群中，根據(jù)前后的識(shí)別文字找出最合乎邏輯的詞，做更正的功能。字詞數(shù)據(jù)庫(kù)：為字詞后處理所建立的詞庫(kù)。人工校正：OCR最后的關(guān)卡，在此之前，使用者可能只是拿支鼠標(biāo)，跟著軟件設(shè)計(jì)的節(jié)奏操作或僅是觀看，而在此有可能須特別花使用者的精神及時(shí)間，去更正甚至找尋可能是OCR出錯(cuò)的地方。一個(gè)好的OCR軟件，除了有一個(gè)穩(wěn)定的影像處理及識(shí)別核心，以降低錯(cuò)誤率外，人工校正的操作流程及其功能，亦影響OCR的處理效率，因此，文字影像與識(shí)別文字的對(duì)照，及其屏幕信息擺放的位置、還有每一識(shí)別文字的候選字功能、拒認(rèn)字的功能、及字詞后處理后特意標(biāo)示出可能有問(wèn)題的字詞，都是為使用者設(shè)計(jì)盡量少使用鍵盤的一種功能，當(dāng)然，不是說(shuō)系統(tǒng)沒(méi)顯示出的文字就一定正確，就像完全由鍵盤輸入的工作人員也會(huì)有出錯(cuò)的時(shí)候，這時(shí)要重新校正一次或能允許些許的錯(cuò)，就完全看使用單位的需求了。結(jié)果輸出：其實(shí)輸出是件簡(jiǎn)單的事，但卻須看使用者用OCR到底為了什么？有人只要文本文件作部份文字的再使用之用，所以只要一般的文字文件、有人要漂漂亮亮的和輸入文件一模一樣，所以有原文重現(xiàn)的功能、有人注重表格內(nèi)的文字，所以要和Excel等軟件結(jié)合。無(wú)論怎么變化，都只是輸出檔案格式的變化而已。