OCR是什么?

 

OCR又称光学字符识别（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。

 

在PDF转成Word时OCR技术是不可缺少的, 目前很多PDF都是扫描件, 这种类型的PDF实际上是图片, 必须要有OCR技术才能转换成文字.

 

识别过程[编辑]

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，倾斜较正等。

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燥，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。

 

版面还原：

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还原。

 

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。