什么是OCR？

光學(xué)字符識別(Optical Character Recognition,OCR)是指對包含文本資料的圖像文件進(jìn)行分析識別處理，獲取文字及版面信息的技術(shù)。一般包括以下幾個過程:

1.圖像輸入

針對不同格式的圖像，有著不同的存儲格式和壓縮方式。目前，用于存取圖像的開源項目有OpenCV和CxImage等。

2.預(yù)處理

預(yù)處理主要包括二值化、噪聲去除和傾斜較正。具體內(nèi)容如下:

(1)二值化:大多數(shù)情況下，使用攝像頭拍攝的圖像都是彩色圖像，彩色圖像包含的信息量非常豐富，需要進(jìn)行簡化?？梢詫D像的內(nèi)容簡單地分為前景和背景，為了讓計算機更快、更好地識別文字，需要先對彩色圖像進(jìn)行處理，使圖像只剩下前景與背景信息，即簡單地定義前景信息為黑色，背景信息為白色，這就是二值化圖。彩色圖像和二值化圖像處理前后對比如下圖所示。

(2)噪聲清除:對于不同的文檔，噪聲的定義可以不同。根據(jù)噪聲的特征進(jìn)行消除處理，叫作噪聲去除。

(3)傾斜校正:通常情況下，用戶拍攝的照片比較隨意，拍照文檔很有可能會產(chǎn)生傾斜。

這時，需要使用文字識別軟件進(jìn)行校正。

3.版面分析

將文檔圖片分段落、分行的過程叫作版面分析。由于實際文檔的多樣性和復(fù)雜性，目前沒有一個固定的、最好的切割模型。

4.字符切割

由于拍照條件的限制，經(jīng)常會造成字符粘連、斷筆等情況，因此極大地限制了識別系統(tǒng)的性能。此時，就需要文字識別軟件具備字符切割功能。

5.字符識別

很早的時候就有模板匹配，后來是以特征提取為主。由于文字的位移、筆畫的粗細(xì)、斷筆、粘連、旋轉(zhuǎn)等因素的影響，極大地增加了提取的難度。

6.版面恢復(fù)

通常，人類希望識別后的文字，仍然按照原文檔圖片那樣排列著，保持段落不變、位置不變、順序不變，之后輸出到Word文檔或PDF文檔，這個過程就叫作版面恢復(fù)。

猜你喜歡：

什么是OCR？OCR技術(shù)詳解

爬蟲適合使用Mysql還是Mongdb？

什么是分布式爬蟲？分布式爬蟲實現(xiàn)方法

常用的反反爬蟲應(yīng)對策略

Python爬蟲被封禁如何應(yīng)對防爬策略?

傳智教育python培訓(xùn)課程