光學字元辨識
本條目需要精通或熟悉计算机科学的编者参与及协助编辑。 |
光学字符识别(英语:Optical Character Recognition,OCR)是指对文本资料的图像文件进行分析识别处理,获取文字及版面信息的过程。
目录
1 识别过程
2 发展历史
3 主流实现
4 参考来源
识别过程
- 图像输入、图像前处理、预识别:
- 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,目前有OpenCV、CxImage等开源项目。
- 预处理:主要包括二值化,噪声去除,倾斜校正等。
- 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,为了让计算机更快的、更好地识别文字,我们需要先对彩色图进行处理,使图片只剩下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。
- 噪声去除:
- 对于不同的文档,我们对噪声的定义可以不同,根据噪声的特征进行去噪,就叫做噪声去除。
- 倾斜校正:
- 由于一般用户,在拍照文档时,都比较随意,因此拍照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。
- 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。
- 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。
- 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。
- 版面還原:
- 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,顺序不变地输出到Word文档、PDF文档等,这一过程就叫做版面還原。
- 后处理、校对:
- 根据特定的语言上下文的关系,对识别结果进行校正,就是后处理。
发展历史
OCR的概念是在1929年由德国科学家Tausheck最先提出来,并申请了专利。后来美国科学家Handel也提出了利用技术对文字进行识别的想法。中国最早的OCR商业应用是由科学家王庆人教授在南开大学开发出来的,并在美国市场投入商业使用。
主流实现
一种是 CNN+RNN+CTC[1],一种是 CNN+RNN 基于 Attention [2]的方法。
参考来源
^ https://arxiv.org/abs/1507.05717
^ http://papers.nips.cc/paper/5346-sequence-to-sequence-learning-with-neural-networks.pdf
维基共享资源中相关的多媒体资源:光学字符识别 |
|