ＯＣＲ系統設置的優化策略及外部輔助軟件的使用

摘要：介紹了OCR技術的基本原理、提出了提高識別準確率的OCR系統優化策略，給出了通過Firework、Photoshop、Matlab等輔助軟件解決OCR識別過程中出現的問題的一系列有效方法。

關鍵詞：OCR識別；識別準確率；優化設置；輔助軟件

引言

隨著信息技術的高速發展，一種快速而高效的OCR識別技術應運而生，它可以將書稿、照片等諸多形式的實物資料中的文字轉化成數字化的文本，從而能夠被計算機處理。

OCR是英文Optical Character Recognition的縮寫，即光學字符識別，也可簡單地稱為文字識別。它通過掃描和攝像等光學輸入方式獲取紙張上的文字圖像信息，利用各種模式識別算法分析文字形態特征，判斷出漢字的標準編碼，并按通用格式存儲在文本文件中。所以，OCR是一種非常快捷、省力的文字輸入方式。

OCR識別系統的工作原理是，將數字圖像作一個轉換，繼續保存圖像內的圖形，表格內資料及影像內的文字，則一律變成計算機文本。OCR識別過程主要分成五個步驟：①生成待識別圖像；②圖像前期處理；③文字特征抽取與比對識別；④文字校正與再編輯；⑤輸出結果。

目前，比較流行的OCR軟件很多，英文OCR主要有OmniPage和SuperScan，中文OCR主要有清華紫光OCR、清華文通OCR、漢王OCR、中晶尚書OCR、丹青OCR、蒙恬OCR等。設計OCR的關鍵，是提高識別正確率的問題。

可以通過優化OCR系統設置和使用外部輔助軟件的方法，解決上述問題。

1、OCR系統內部設置的優化策略

1.1充實詞庫

在文字識別過程中，常會遇到一些特殊符號或是稀有字無法識別，如果這些字符在文章中時常出現，一味手工修改不是最好的辦法?？梢岳肙CR識別系統中的個人詞庫更新解決這一問題。

在OCR安裝軟件的文件夾中會有系統自帶的pwl格式的big5，default，gb詞庫。這種外帶的詞庫包含了部分函數符以及繁體字等，它解決了OCR內部詞庫詞量不足問題，可以向文件夾中添加pwl格式文件，以提高對稀有字的識別率。同時，還可以通過打開已經存在的自帶外部pwl文件向其中添加字符。其方法很簡單：選中要操作的字符后直接按個人詞庫欄的“+”，“－”按鈕即可完成字符的添加或刪除操作。比如，原詞庫中沒有嘆號，若要將其加入詞庫，可先在文稿校對界面(如圖1所示)輸入嘆號，然后在個人詞庫欄單擊“+”即可。

1.2調整識別區域

一般地，識別區域越小，識別率越高。在默認狀況下，系統將兩個字節作為一個字符來識別，所以單個字符識別率不高，但識別區域選定適合，識別率可達100％。如果識別后發現不理想，可以重新修改識別區域，甚至刪除全部區域重新選定。不同的字符分開識別，也有助于提高識別率。

1.3設置識別分辨率

通過掃描儀生成掃描稿前，一般選擇300dpi的掃描分辨率較合適。分辨率選小了會使OCR識別率降低；分辨率選得太大了非但不能有效提高識別率，還會大幅增加文件長度，浪費處理時間。所以有的掃描軟件設備上有一項“OCR掃描”，直接將掃描分辨率鎖定為300dpi。如果要識別現成的圖片而不是掃描稿，可以先用Photoshop等圖像處理軟件將圖片分辨率改變到300dpi存盤，然后再進行OCR識別。

2、外部軟件的輔助功能

2.1使用Dreamever去除文本段內硬回車

OCR識別后的文本段中可能夾雜著許多的硬回車符號，不便于后續的編輯和排版操作，可以使用Dreamever解決這一問題，操作步驟如下：

(1)將原文章段與段之間空行保存，如圖2所示，全選復制。

(2)啟動Dreamever，在編輯窗口中進行選擇性粘貼，去掉“保留換行符”前面的鉤，按“確定”鍵。

(3)切換到代碼窗口，如圖3所示，將代碼中的P替換成BR。效果如圖4所示。

現在的一些識別軟件，如尚書OCR、漢王OCR和清華紫光OCR都提供了段內去硬回車的功能，只要在識別后的文本存盤時，選回車設置為軟回車就行了。

2.2使用Photoshop處理掃描稿

實物資料(書稿、照片等)本身的缺陷如折痕、圈劃線、陰影等，在掃描稿(圖像)中會生成多余的或不清晰的成份，導致OCR識別出錯。可以用Photoshop打開掃描圖片，用橡皮擦或蓋章工具擦除劃線等干擾成份。擦除文字間的劃線時要特別注意，不能擦除文字的原線條，所以最好先把圖片放大后再操作。使用蓋章工具比橡皮擦工具更有難度但它能保護圖片背景的完整性。

圖像亮度和對比度的調節對OCR識別率影響也很大。對亮度值和對比度值的調整一般視待識別圖像中的文字質量而定。如果文字線條凹凸不平，甚至有斷線，說明亮度值太大了；當文字線條很黑很粗，甚至擠成了黑疙瘩，分不清筆劃時，則說明亮度值太小了；如果待識別圖像的清晰度不夠好，則適當調節對比度。

2.3使用MATLAB二值圖像的生成

有些OCR軟件(如清華紫光)只能打開二值圖像的文件，所以在進行識別前，需要將已有的圖像二值化。利用MATLAB的系統函數可以將灰度圖轉化為二值圖。實現方法如下：

(1)讀入圖像：RI=imread('imagename')

(2)生成灰度圖像：AW=rgb2gray(RI)

要查看是否已轉換成灰度圖，可用語句flag=isgray(I)，若flag值為l說明已是灰度圖，如圖5、圖6所示。

(3)二值化圖像：BW=im2bw(AW，a)

其中，a表示二值化圖像的閥值，取值在0-1之間。具體多少視實際情況而定。

可以通過imshow函數顯示轉換結果。若二口圖像不夠理想，可在步驟(3)操作中調整參數a的取值。a取不同的值生成的不同二值圖效果如圖7、圖8所示。

類似的，也可以利用Photoshop軟件實現上述二值圖像的轉換操作，將要轉化的圖片導入到該軟件中，選擇“圖像”—“調整”—“閾值”選項，通過設置閾值色階將其轉化為黑白二值圖。

3、結束語

OCR技術實現了印刷文字到數字化文本的轉換與再編輯，大大方便了人們快速輸入海量文本的實際需求。目前，OCR技術正由單一的文字識別技術向人機智能交互技術轉變，車牌識別、身份證識別、票據識別等與人們日常生活密切相關的諸多領域，也已經開始使用OCR識別技術。因此，提高OCR識別準確率具有非常重要的意義。隨著計算機信息處理技術的不斷發展，OCR技術將向人們展示出越來越廣闊的應用前景。