OCR 光学字符识别使用技巧

OCR 是英文 Optical Character Recognition 的简写，中文译为 “光学字符识别”。OCR 是指电子设备（譬如：扫描仪）或传感器 (譬如：视觉传感器) 先通过检测印刷字符明、暗确定字符形状，然后再用字符识别方法将字符形状翻译成计算机文字的过程。即：针对印刷字符，采用光学方式将纸质文档文字转换成黑白点阵图像文件，再通过自动识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑、处理的技术。

OCR 识别文本时，图片质量一般建议 150dpi 以上。OCR 对彩色图片识别较差，黑白图片识别较好；因此，建议采用黑白图片。OCR 对印刷字体识别较好，手写识别较差。

如何除错或利用辅助信息提高识别正确率，是 OCR 最重要的课题，ICR（Intelligent Character Recognition）名词也因此而产生。衡量一个 OCR 系统性能好坏的主要指标，包括：拒识率、误识率、识别速度、用户界面友好性、产品稳定性、易用性及可行性等。

OCR 概念由德国科学家 Tausheck 于 1929 年最先提出，之后，美国科学家 Handel 也提出了利用技术对文字进行识别的想法。而最早对印刷汉字识别进行研究的是 IBM 公司的 Casey 和 Nagy，1966 年他们发表了第一篇关于汉字识别的文章，采用模板匹配法识别了 1000 个印刷体汉字。

60、70 年代世界各国开始对 OCR 进行研究；初期，多以研究文字识别方法为主，且识别文字仅为 0 至 9 的数字。以同样拥有方块文字的日本为例，1960 年左右开始研究 OCR 基本识别理论，初期以数字为研究对象，直至 1965 至 1970 年才开始有一些简单产品。譬如：印刷文字邮政编码识别系统，能识别邮件上的邮政编码，帮助邮局进行区域分信作业。因此，邮政编码至今一直是各国所倡导的地址书写方式。

20 世纪 70 年代初，日本学者开始研究汉字识别，并做了大量工作。中国在 OCR 技术方面的研究工作起步较晚，70 年代开始对数字、英文字母及符号的识别进行研究，70 年代末才开始进行汉字识别的研究，到 1986 年我国提出 “863” 高新科技研究计划，汉字识别研究进入一个实质性阶段。此时，清华大学的丁晓青教授和中科院分别开发研究，相继推出了中文 OCR 产品，现为中国最领先汉字 OCR 技术。早期的 OCR 软件，由于识别率及产品化等多方面的因素，未能达到实际要求。同时，由于硬件设备成本高，运行速度慢，也没有达到实用程度。只有个别部门，譬如：信息部门、新闻出版单位等使用 OCR 软件。进入 20 世纪 90 年代后，随着平台式扫描仪的广泛应用，及我国信息自动化和办公自动化的普及，大大推动了 OCR 技术的进一步发展，OCR 识别正确率、识别速度满足了广大用户的要求。

01、分辨率

分辨率的设置是文字识别的重要前提。一般扫描仪能提供很多图像信息，识别软件比较容易得出识别结果。但也不是扫描分辨率设得越高识别正确率就越高。选择 300 dpi 或 400 dpi 分辨率，适合大部分文档扫描。注意文字原稿的扫描识别，设置扫描分辨率时千万不要超过扫描仪的光学分辨率，不然会得不偿失。

02、亮度、对比度

扫描时适当调整亮度、对比度值，使扫描文件黑白分明。这对识别率的影响最为关键，扫描亮度和对比度值的设定，以观察扫描后图像中汉字的笔画较细但又不断开为原则。进行识别前，先看扫描得到的图像中文字质量如何。如图像存在黑点或黑斑时或文字线条很粗很黑，分不清笔画时，说明亮度值太小了，应增加亮度值；如文字线条凹凸不平，有断线甚至图像中汉字轮廓严重残缺时，说明亮度值太大了，应减小亮度。

03、软件

一款好的扫描软件。选一款好的适合自己的 OCR 软件是做好文字识别工作的基础，一般不要使用扫描仪自带的 OEM 软件，OEM 的 OCR 软件功能少、效果差，有的甚至没有中文识别功能。

再选一款好的图像编辑软件。因为，OCR 软件不能识别所有扫描仪；其次，也是最关键的，利用图像编辑软件的扫描接口扫描出来的图像便于处理。

04、文字样式

若要识别的文本是带格式的，如粗体、斜体、首行缩进等，部分 OCR  软件识别不出来，会丢失格式或出现乱码。如必须扫描带有格式的文本，事先要确保使用的识别软件是否能支持文字格式扫描。也可关闭样式识别系统，使软件集中注意力查找正确字符，不再顾及字体和字体格式。

05、透明、半透明稿件

在扫描识别报纸或其他半透明文稿时，背面文字透过纸张混淆文字字形，对识别会造成很大障碍。遇到该类扫描，要在扫描原稿背面盖一张黑纸，扫描时，增加扫描对比度，即可减少背面模糊字体对识别的影响，提高识别正确率。

06、扫描模式、阀值

一般文本扫描原稿都为黑、白两色原稿，但是在扫描设置时却常将扫描模式设为灰度模式。特别是在原稿质量较差时，使用灰度模式扫描，并在扫描软件处理完后再继续识别，这样会得到较好的识别正确率。值得注意的是：OCR 识别软件可自动确定阀值，几个百分点的阀值差异，就会影响识别的正常运行。当然，得到的图像文件的大小就会比黑白文件大很多。在进行大批量文稿扫描时，必须对原稿进行测试，找到最佳的阀值百分比。

07、图文稿件

遇到图文混排的扫描原稿，首先明确使用的识别软件是否支持自动分析图文这一功能。如支持的话，在进行这类扫描识别时，OCR 软件会自动算出文本内容、位置、先后顺序。文字部分可按照标示顺序正常识别。

08、扫描区域

手动选取扫描区域会有更好识别效果。设置好参数后，先预览一下，然后开始选取扫描区域。不要将要用的文章一股脑儿选在一个区域内，因为现在的文章排版为追求更好视觉效果，使用图文混排的较多，扫成一幅图像会影响 OCR 识别。因此，要根据实际情况将版面分成 N 个区域，怎么划分区域呢？每一区域内的文字字体、字号最好一致，没有图形、图像，每一行的宽度一致，遇到长短不一，再细分，一般一次最多可扫描 10 个选区。根据不同情况，合理设置识别区域顺序。不要嫌这个过程太烦，那可是提高识别率的有效手段。注意各识别区域不能有交叉，做到一切觉得完好以后再进行识别。这样的话，一般识别率会在 95% 以上，对于识别不正确的文字进行校对后，就可进入相应的文字处理软件进行所需处理。

09、放置原稿

在放置扫描原稿时，把扫描的文字材料一定要摆放在扫描起始线正中，以最大限度地减小由于光学透镜导致的失真。同时应保护扫描仪玻璃的干净和不受损害。文字有一定角度的倾斜，或是原稿文字部分为不正规排版，必须在扫描后使用旋转工具，进行纠正；否则 OCR 识别软件会将水平笔划当做斜笔划处理，识别正确率会下降很多。建议用户尽量将扫描原稿放正，用旋转工具纠正会降低图像质量，使字符识别更加困难。

10、预览阀值

先 "预览" 整体版面，选定要扫描的区域，再用 "放大预览" 工具，选择一小块进行放大显示到全屏幕，观察其文字的对比度，文字的深浅浓度，根据情况调整 "阀值" 的大小，要求文字清晰，不浓 (文字成团) 不淡 (文字断笔画)，一般在 "阀值" 80 左右为宜，最后再扫描。

11、微调

用工具擦掉图像污点，包括原版页面中无需要识别的插图、分隔线等，使文字图像中除了文字没有一点多余的东西；这可提高识别率并减少识别后的修改工作。

12、扫描特殊原稿

如要扫描印刷质量稍差一些的文章 (譬如：报纸)，扫描结果可能不会黑白分明，会出现大量黑点，且在字体笔画上还会出现粘连现象。这两项可是汉字识别的大忌，将严重影响汉字识别的正确率。为获得较好识别结果，必须仔细进行色调调节，反复扫描多次才能获得比较理想的结果。另外，由于报纸很薄且大部分纸质不高，导致扫描仪上盖板不能完全压住报纸 (有缝隙)；所以，一般情况下报纸的扫描识别效果没有杂志的效果好。解决办法是在报纸上压一至两本 16K 的杂志，效果还是不错的。