图像魔术师文档赏析

图像魔术师●汉字OCR发展沿革我国使用汉字的历史源远流长，汉字的识别远比数字、西文要棘手，主要体现在以下三个方面。1.数量庞大2.结构复杂汉字的结构性很强。汉字可以看作是部件的组合，称之为偏旁、部首或字根，是笔画的有意义的组合。笔画和部首的排列组合，构成了结构异常复杂的汉字。3.相似字多很多汉字之间差别很小，有些仅表现为某一个笔画位置或形态的微小变化。这些汉字即使由人来识别也容易出错，机器识别的难度可想而知。●传统汉字OCR原理目前现存大量传统汉字OCR软件的技术线路如下图所示。1.文件管理通过扫描仪、手机、相机等仪器采集需要识别的文字图片。2.图像增强图像增强即是对图像的成像进行修正，特别是手机、相机拍摄的图片，如果不进行修正，将极大地影响文字识别率。处理过程包括灰度化、二值化、几何变换（透视、扭曲、旋转等）、畸变校正、图像增强和光线校正、图像平滑、行字切分等。（1）灰度化我们得到的文字图片大多是彩色的，无疑会有很多干扰信息，对文字识别很不利。通过灰度化处理，将原本由三维描述的像素点映射为一维描述的像素点，可以排除多余的干扰。（2）二值化所谓二值化，就是把灰度值图像信号转化为只有黑和白的二值图像信号，将汉字从图像中分离出来。通常先确定像素的阈值，然后用像素的值和阈值比较，确定这个像素点为1或0。如果阈值太小，保留的信息过多，许多无用信息就会干扰以后的处理;如果阈值太大，则会丢失正常的信息，最终使得文字信息不完整，无法准确识别。（3）行字切分传统OCR主要采用模式匹配来进行汉字识别，所以要将图像中的文字首先切分成行（列），再将单个汉字抠出来，以和模式库中的文字进行比对。3.汉字识别汉字识别的关键是建立一个科学的特征库，通过图像预处理后，提取出汉字的特征，再和特征库进行比对，匹配上就完成了汉字的识别。汉字有哪些特征可供提取呢？（1）结构特征结构特征包括抽取笔画法和松弛匹配法。抽取笔画法是利用汉字的结构信息来进行汉字的联机识别;松弛匹配法是基于全局特征的匹配方法，抽取边界线段，将这些边界线段组成临近线段表，然后用松弛匹配操作，完成边与边的匹配。（2）统计特征①特征点：主要是利用字符点阵中一些有代表性的黑点、白点作为特征来区分不同的字符。特征点包括笔画骨架线的端点、折点、歧点和交点。这个方法能压缩特征库的容量，识别的适应性强、直观性好。②笔段特征：汉字笔画由笔段组成，笔段可以看作是一定方向、长度和宽度的矩形段。利用笔段之间的关系组成特征对汉字进行识别，对多体汉字的识别效果较好。当然，汉字的多样性和图像的不同特点决定了在汉字识别过程中，提取特征要根据实际情况来选择或者组合几个特征，以达到更好的效果。目前的OCR都无法达到百分之百正确识别，通常识别完以后，都要提供一些方法对文字进行编辑修改。一般OCR软件都会提供对照修改或自动修改功能。对照修改就是观察识别错误的文字，将光标定位到错误处，界面会同时显示对应的图像位置，从而根据图像来修改文字。自动修改则是基于语义理解，结合上下文信息进行校正。语义理解是人工智能领域一个亟待突破的难点，目前的自动修改还只能作为一个参考来使用。通过编辑的文字最终可以导出到文本文件（TXT）或RTF文档中。如果只需要文字进行排版，可以导出到文本文件中，如果想保留更多的格式信息，则RTF文档是一个不错的选择，从而可以在Word等软件中进一步编辑。●PC机实用OCR软件指南随着人工智能技术在OCR领域的普及，深度学习使得OCR从传统的印刷体光学字符识别走向了场景文字识别。一些开源小软件通过调用互联网大公司提供的接口提供OCR服务，能非常方便地解决某些领域的难题。1.汉王PDFOCR汉王集团除了OCR搭上了人工智能的快车，在手写识别、自然语言识别、人脸及生物特征识别等方面也得到了很大的发展。OCR方面，除了印刷体字符识别外，还在手写体字符识别、自然场景拍照识别、公式字符识别、复杂表格识别、卡片识别、票据识别等方面具有一定的优势。如果我们需要把大量纸质文件数字化，汉王PDFOCR还是非常快捷方便的。①输入：点击“文件”菜单，可以直接打开图像文件，或者选择联机的扫描仪扫描纸质文件。③版面分析：在“识别”菜单下有“版面分析”功能（快捷键F5），对图像中的文字进行切片。如果识别有错误，可以手工拖动红框进行修改。如果版面比较复杂，可以点击选中相应的板块，在“识别-修改栏属性”中设置相应的栏目为图像、表格、横排、竖排，为接下来的文字识别提供更好的识别率。④文字识别：单击菜单“识别-开始识别”（快捷键F8），就会在中间栏显示识别结果，速度很快。⑥输出：点击“输出-到指定格式文件”，有TXT、RTF、HTML、XLS四种格式可以选。如果要保留原来的排版，输出成RTF格式，然后就可以用Word打开，继续完成排版工作。比较遗憾的是，虽然版式能大体保留下来，但每一行文字会作为一个段落。可以选中一个自然段，通过Word的“替换”功能（组合键Ctrl+H），在“查找内容”输入“^p”（或在下面的“特殊格式”中选中“段落标记”，会自动输入“^p”），让“替换为”留空，单击“全部替换”，就会把本段中多余的换行去掉。汉王PDFOCR虽然较长时间没有更新，但还是能满足大量扫描文件识别的要求，如教材的数字化等。同时，软件还提供直接打开PDF文件，并能直接将文字化的PDF转化为RTF文件的功能，除了每行后会有一个段落标记外基本上能比较完美地复原PDF文档的版式。2.天若OCR天若OCR是一款开源软件，它本身并不具备OCR功能，而是通过调用各大OCR公司提供的接口来进行文字识别。因为要调用网络上提供的接口才能识别文字，所以它必须联网才能工作。它的最大用处是将计算机屏幕上能显示的文字识别出来，而不管这些文字是真正的文字（如各种网文、文库）还是图片、PDF文档，只要屏幕上能显示，都可以将其变为可编辑的文字。天若OCR软件非常简洁，启动后只有一个浮动工具栏和一个类似空白记事本的界面。按“F4”键（或单击浮动工具栏的“T”），鼠标变成一个“十”字，右下将放大鼠标所在位置的图像。按下鼠标左键，拖动鼠标选中需要识别的文字，松开鼠标以后，识别结果就出现在主界面中，可以进一步修改。最后点击“docx”按钮，就能将文字导出到一个Word文档中，印刷体的识别率几乎达到百分之百。和汉王等传统OCR软件相比，天若能准确进行段落识别，再也不会在每行后面多出一个段落标记。它的缺点是对排版格式保留得不是很好，不适合于纸质文档数字化。有了这款软件，我们可以解决几个主要问题：①复制某些不方便复制的文档。我们在网上找到某些有用的文字时，经常被限制复制，需要注册会员、VIP等。有了这款软件，可以轻松完成复制文字任务。②PDF转文字。微软Office2013以后的版本都支持编辑PDF，可很多计算机还停留在Office2007甚至Office2003的版本。通過这款软件，不管是文字还是图片格式的PDF文档，都可以轻松转换成可编辑文本。③图片文字识别。这个是OCR软件的基本功能，可以直接打开图片进行识别。④表格、公式、竖排文本等复杂文本识别。复杂文本识别需调用收费接口或专用接口，需要下载天若