文字識(shí)別的過程詳細(xì)介紹

在學(xué)習(xí)生活中經(jīng)常會(huì)使用一些文字識(shí)別軟件去提取一些文字，那么文字識(shí)別的過程是什么呢？這里給大家?guī)�來的是文字識(shí)別的過程詳細(xì)介紹，一起來看看吧。

經(jīng)常用掃描儀的朋友可能對OCR并不陌生．OCR即Optiotd Character Recognition．中文含義就是光學(xué)字符識(shí)別的意思，就是將圖像作一個(gè)轉(zhuǎn)換，使圖像內(nèi)的圖形繼續(xù)保存．將文字識(shí)別出來．這樣使人們從繁重的鍵盤錄入的勞動(dòng)中解脫出來。目前幾乎所有掃描儀都附帶有OCR識(shí)別軟件．但遺憾的是即使是同一個(gè)OCR軟件識(shí)別的正確率差距也較大。目前比較常見的OCR軟件有清華紫光和尚書六號。 

掃描儀的一個(gè)重要功能就是通過OCR軟件（即文字識(shí)別軟件）將掃描后的文字圖像轉(zhuǎn)換成文本格式的文件，使文字處理軟件能夠調(diào)用處理。這樣可以大大提高文字錄入速度，極大地提高工作效率。目前，文字識(shí)別軟件主要有《尚書OCR》、《漢王OCR》和《紫光OCR》等幾種。不過，我們在進(jìn)行文字識(shí)別時(shí)經(jīng)常會(huì)遇到識(shí)別率低的問題，其原因除了被識(shí)別稿件有問題外，主要還是我們沒有掌握好掃描及OCR識(shí)別軟件的使用技巧。那么進(jìn)行文字識(shí)別時(shí)有哪些技巧呢？

一、根據(jù)識(shí)別稿的質(zhì)量進(jìn)行處理 

進(jìn)行掃描識(shí)別時(shí)，在可能的情況下應(yīng)盡量選擇清晰度與潔凈度都很高的識(shí)別稿，識(shí)別稿的清晰度與潔凈度的不同會(huì)使掃描后的識(shí)別率有很大差距。對一般的印刷稿、打印稿等質(zhì)量較好的文稿進(jìn)行識(shí)別，只要掌握好方法與技巧，其識(shí)別率一般可達(dá)到98％以上。而對報(bào)紙、雜志等清晰度不佳的原稿進(jìn)行識(shí)別，無論使用何種識(shí)別軟件都難以達(dá)到很高的識(shí)別率。 

1.對一些帶有下劃線、分隔線等符號的文本原稿，有些OCR軟件是識(shí)別不出的，一般會(huì)出現(xiàn)亂碼。如果必須掃描帶有這些符號的原稿，一是要確保使用的識(shí)別軟件能夠識(shí)別這些符號。二是使用工具擦掉這些特殊符號，使識(shí)別軟件能正確識(shí)別這些文字。 如果掃描后的文檔中含有OCR軟件不能識(shí)別的圖像、圖形和一些特殊符號，可以考慮使用“擦拭”工具將文檔中的圖像、圖形和一些特殊符號擦除，同時(shí)將圖像上一些雜點(diǎn)也一并去除。使圖像中除了文字沒有多余的東西，這可以大大提高識(shí)別率并減少識(shí)別后的修改工作。 

2.在掃描識(shí)別報(bào)紙或紙張較薄的文稿時(shí)，掃描時(shí)稿件背面的文字通常會(huì)透過紙張?jiān)斐慑e(cuò)字或亂碼，使識(shí)別率大大降低。在對這類原稿掃描時(shí)，我們可以在原稿的背面覆蓋一張黑紙，在進(jìn)行正式掃描時(shí)，適當(dāng)增加掃描對比度或亮度，即可有效提高識(shí)別率。 

3.對于一些圖文混排的原稿，掃描成一幅圖像進(jìn)行全區(qū)識(shí)別會(huì)嚴(yán)重影響OCR軟件的識(shí)別率。我們可以根據(jù)實(shí)際情況將掃描后的版面切分成多個(gè)區(qū)域后再識(shí)別，切分區(qū)域的原則是：將圖形、圖像排除在區(qū)域之外（圖1），盡量把文字字體、字號一致的劃在一個(gè)區(qū)域內(nèi)，不要嫌這個(gè)過程煩瑣而選用自動(dòng)切分區(qū)域，手動(dòng)選取掃描區(qū)域會(huì)有更好識(shí)別效果，還應(yīng)注意各識(shí)別區(qū)域不能有交叉情況。 

二、掃描識(shí)別稿的操作技巧 

1.首先要保持工作環(huán)境的清潔，掃描儀的玻璃板以及若干個(gè)反光鏡片及鏡頭，其中任何一部分臟污都會(huì)影響掃描文字圖像的效果。因此，保持掃描儀的清潔是確保文字圖像掃描質(zhì)量及識(shí)別率較高的重要前提。 

2.掃描儀在剛開啟時(shí)，光源的穩(wěn)定性較差，而且光源的色溫也沒有達(dá)到正常工作所需的色溫，所以開始掃描以前最好先讓掃描儀預(yù)熱一段時(shí)間。 

3.在放置掃描原稿時(shí)，把掃描的文字材料擺放在掃描起始線正中，可以最大限度地避免由于光學(xué)透鏡導(dǎo)致的失真而影響識(shí)別率。 

4.掃描后的文字圖像經(jīng)常會(huì)有一定角度的傾斜，出現(xiàn)這種情況必須在掃描后使用自動(dòng)或手動(dòng)旋轉(zhuǎn)工具進(jìn)行糾正，OCR軟件一般都設(shè)有自動(dòng)糾偏和手動(dòng)糾偏工具。否則OCR識(shí)別軟件會(huì)將水平筆畫當(dāng)作斜筆畫處理，識(shí)別率會(huì)下降很多。如果掃描后的文字圖像傾斜角度超過15°，傾斜校正會(huì)產(chǎn)生較大的失真和誤差，從而嚴(yán)重影響識(shí)別率，這種情況建議擺正原稿重新掃描。 

三、掃描參數(shù)的設(shè)置 

掃描參數(shù)的設(shè)置主要包括分辨率的設(shè)置及亮度和對比度的設(shè)置。 

1.一般來講，分辨率越高識(shí)別率也就會(huì)越高。但這也不是絕對的，對于一些過大過粗的字體，設(shè)置過高的分辨率，識(shí)別率可能會(huì)降低，而且設(shè)置高分辨率后，掃描速度會(huì)大大降低。根據(jù)實(shí)際經(jīng)驗(yàn)，1、2、3號字的文稿推薦使用200dpi，4、小4、5號字的文稿推薦使用300dpi，小5、6號字的文稿推薦使用400dpi，7、8號字的文稿推薦使用600dpi   

2.掃描時(shí)適當(dāng)?shù)卣{(diào)整好亮度和對比度值，對識(shí)別率的高低影響很大，在進(jìn)行掃描亮度和對比度的設(shè)定時(shí)（圖3），以掃描后的圖像中文字的筆畫較細(xì)、均勻，且沒有明顯斷點(diǎn)為準(zhǔn)。如果掃描后的文字圖像存在黑點(diǎn)、黑斑或文字線條很粗很黑，分不清筆畫，說明亮度值太小，應(yīng)該增加亮度值再重新掃描。如果文字線條凹凸不平，有斷線甚至圖像中漢字輪廓嚴(yán)重殘缺時(shí)，說明亮度值太大，應(yīng)減小亮度后再重新掃描。如果要掃描質(zhì)量比較差的文稿，比如報(bào)紙，掃描出的圖像可能會(huì)出現(xiàn)大量的黑點(diǎn)，而且在字體的筆畫上也會(huì)出現(xiàn)粘連現(xiàn)象，為獲得較好的識(shí)別結(jié)果，必須仔細(xì)進(jìn)行亮度和對比度值的調(diào)整，反復(fù)掃描多次才能獲得比較理想的效果。 

四、識(shí)別后的處理工作

1.文字校正      

文字校正是OCR識(shí)別工作中比較煩瑣的一步。一般OCR軟件對可能出現(xiàn)錯(cuò)誤的文字，會(huì)顯示出藍(lán)色標(biāo)記，請用戶確認(rèn)。但在沒有提示出錯(cuò)的地方，也有可能出錯(cuò)。所以大家在校對時(shí)應(yīng)該通讀一遍，以提高文字錄入的準(zhǔn)確率。 

2.識(shí)別后文本的保存 

如果把識(shí)別后的文本簡單復(fù)制粘貼到Word中保存處理，就需要去掉多余的硬回車，這樣會(huì)非常麻煩。正確方法是：先將識(shí)別后的文本存盤，在存盤時(shí)設(shè)置為軟回車就行了。對于《紫光OCR》，則需要在識(shí)別完成后，選擇文件菜單下的導(dǎo)出命令，將存儲(chǔ)類型選為TXT，段內(nèi)回車字符選為無。注意：一定不要直接存盤，否則不能自動(dòng)去掉文章的硬回車�！渡袝鳲CR》、《漢王OCR》和《紫光OCR》都提供了段內(nèi)去除硬回車的功能。