光學(xué)字符識別技術(shù)

關(guān)于光學(xué)字符識別技術(shù)第一頁，共十一頁，2022年，8月28日一．文字識別系統(tǒng)的構(gòu)成。印刷體識別的原始圖像是通過掃描儀、CCD器件或傳真機等獲得的二維灰度或二值圖像，其識別過程如下圖：第二頁，共十一頁，2022年，8月28日第三頁，共十一頁，2022年，8月28日預(yù)處理包括對原始圖像的去噪聲、傾斜校正等。圖像二值化等版式分析：對文本圖像進行總結(jié)分析，標示文本的段落，圖表，表格區(qū)域；對文本區(qū)域進行識別處理，對表格區(qū)域進行專用的表格分析及識別處理，對圖像區(qū)域進行簡單的壓縮或存儲。字符切割：先將文本圖像切割為行（列），再從字符圖像中分離出單個字符。當圖像質(zhì)量很差時，不易進行簡單的分割，常與識別過程相結(jié)合。隨著單字識別率的增高，切割錯誤在所有錯誤中所占的比重不斷上升，增樣實現(xiàn)字符的正確分割成了一個需認真解決的問題。特征提?。簭膯蝹€字符中提取統(tǒng)計特征或結(jié)構(gòu)特征，是整個識別中最重要的步驟，特征提取的好壞，直接決定識別的性能在特征提取前，常進行歸一化，細化化處理。單字識別：從學(xué)習(xí)得到的特征庫中找到與待識別字符相似度高的字符。為了提高識別速度，常采用樹分類器。后處理：對單字識別的結(jié)果，利用語義、詞頻、語義等先驗知識進行識別結(jié)果的確認或糾錯。第四頁，共十一頁，2022年，8月28日二．文字識別技術(shù)OCR識別技術(shù)可分為印刷體識別技術(shù)和手寫體識別技術(shù)，而后者由分為聯(lián)機手寫識別和脫機手寫識別技術(shù)。從識別難度上講，多印刷體識別技術(shù)難于單印刷體識別，手寫字體識別難于印刷體識別，而脫機識別難于聯(lián)機識別。第五頁，共十一頁，2022年，8月28日識別器是系統(tǒng)的核心：用于文字識別的方法有統(tǒng)計模式識別，結(jié)構(gòu)模式識別和人工神經(jīng)網(wǎng)絡(luò)等方法。第六頁，共十一頁，2022年，8月28日在OCR系統(tǒng)中，是一個典型的圖像處理系統(tǒng)，從圖像的獲取，預(yù)處理，到文本的切割，看將其視為一個輸入圖像輸出圖像的一般意義上的圖像處理，二特征的提取到輸出文本可認為是一個圖像分析的過程，是一種更廣義上的圖像處理。第七頁，共十一頁，2022年，8月28日在進行印刷體漢字識別時，首先將印在紙上的漢字，經(jīng)過電掃描產(chǎn)生模擬信號，再經(jīng)過模電轉(zhuǎn)換將其轉(zhuǎn)變?yōu)榛叶葓D像輸入計算機。紙張的薄厚、潔白度、光潔度、油墨深淺、印刷質(zhì)量，產(chǎn)生的污點、飛白、斷筆，交連等干擾。輸入設(shè)備光學(xué)畸變、量化等過程也要引入的噪聲。所以在當個漢字識別之前要對這副圖像進行預(yù)處理。第八頁，共十一頁，2022年，8月28日在圖像版面校正中，需將有傾斜的輸入校正，主要使用圖像的旋轉(zhuǎn)，幾何操作。漢字圖像的預(yù)處理一般包括：二值化、行、字切分、平滑、去噪聲、細化或提取輪廓等。第九頁，共十一頁，2022年，8月28日縱上所述，OCR系統(tǒng)中使用的基本圖像處理原理和方法如下：圖像獲取的基本原理，圖像的表示存儲；圖像的旋轉(zhuǎn)；圖像去噪聲、平滑，即圖像的增強和復(fù)原；圖像分割；圖像的模式識別分