光學字元識別(Optical Character Recognition)是指電子裝置(例如掃描器或數碼相機)檢查紙上列印的字元,透過檢測暗、亮的模式確定其形狀,然後用字元識別方法將形狀翻譯成計算機文字的過程;即,針對印刷體字元,採用光學的方式將紙質文件中的文字轉換成為黑白點陣的影象檔案,並透過識別軟體將影象中的文字轉換成文字格式,供文字處理軟體進一步編輯加工的技術。如何除錯或利用輔助資訊提高識別正確率,是OCR最重要的課題,ICR(Intelligent Character Recognition)的名詞也因此而產生。衡量一個OCR系統性能好壞的主要指標有:拒識率、誤識率、識別速度、使用者介面的友好性,產品的穩定性,易用性及可行性等。 工作原理: 一個OCR識別系統,其目的很簡單,只是要把影像作一個轉換,使影像內的圖形繼續儲存、有表格則表格內資料及影像內的文字,一律變成計算機文字,使能達到影像資料的儲存量減少、識別出的文字可再使用及分析,當然也可節省因鍵盤輸入的人力與時間。 從影像到結果輸出,須經過影像輸入、影像前處理、文字特徵抽取、比對識別、最後經人工校正將認錯的文字更正,將結果輸出。 影像輸入 欲經過OCR處理的標的物須透過光學儀器,如影像掃描器、傳真機或任何攝影器材,將影像轉入計算機。科技的進步,掃描器等的輸入裝置已製作的愈來愈精緻,輕薄短小、品質也高,對OCR有相當大的幫助,掃描器的解析度使影像更清晰、掃除速度更增進OCR處理的效率。 影像預處理:影像預處理是OCR系統中,須解決問題最多的一個模組。影像須先將圖片、表格及文字區域分離出來,甚至可將文章的編排方向、文章的提綱及內容主體區分開,而文字的大小及文字的字型亦可如原始檔案一樣的判斷出來。 對待識別影象進行如下預處理,可以降低特徵提取演算法的難度,並能提高識別的精度。 二值化:由於彩色影象所含資訊量過於巨大,在對影象中印刷體字元進行識別處理前,需要對影象進行二值化處理,使影象只包含黑色的前景資訊和白色的背景資訊,提升識別處理的效率和精確度。 影象降噪:由於待識別影象的品質受限於輸入裝置、環境、以及文件的印刷質量,在對影象中印刷體字元進行識別處理前,需要根據噪聲的特徵對待識別影象進行去噪處理,提升識別處理的精確度。 傾斜校正:由於掃描和拍攝過程涉及人工操作,輸入計算機的待識別影象或多或少都會存在一些傾斜,在對影象中印刷體字元進行識別處理前,就需要進行影象方向檢測,並校正影象方向。 文字特徵抽取:單以識別率而言,特徵抽取可說是 OCR的核心,用什麼特徵、怎麼抽取,直接影響識別的好壞,也所以在OCR研究初期,特徵抽取的研究報告特別的多。而特徵可說是識別的籌碼,簡易的區分可分為兩類:一為統計的特徵,如文字區域內的黑/白點數比,當文字區分成好幾個區域時,這一個個區域黑/白點數比之聯合,就成了空間的一個數值向量,在比對時,基本的數學理論就足以應付了。而另一類特徵為結構的特徵,如文字影像細線化後,取得字的筆劃端點、交叉點之數量及位置,或以筆劃段為特徵,配合特殊的比對方法,進行比對,市面上的線上手寫輸入軟體的識別方法多以此種結構的方法為主。 對比資料庫:當輸入文字算完特徵後,不管是用統計或結構的特徵,都須有一比對資料庫或特徵資料庫來進行比對,資料庫的內容應包含所有欲識別的字集文字,根據與輸入文字一樣的特徵抽取方法所得的特徵群組。 對比識別 這是可充分發揮數學運算理論的一個模組,根據不同的特徵特性,選用不同的數學距離函式,較有名的比對方法有,歐式空間的比對方法、鬆弛比對法(Relaxation)、動態程式比對法(Dynamic Programming,DP),以及類神經網路的資料庫建立及比對、HMM(Hidden Markov Model)…等著名的方法,為了使識別的結果更穩定,也有所謂的專家系統(Experts System)被提出,利用各種特徵比對方法的相異互補性,使識別出的結果,其信心度特別的高。 字詞後處理:由於OCR的識別率並無法達到百分之百,或想加強比對的正確性及信心值,一些除錯或甚至幫忙更正的功能,也成為OCR系統中必要的一個模組。字詞後處理就是一例,利用比對後的識別文字與其可能的相似候選字群中,根據前後的識別文字找出最合乎邏輯的詞,做更正的功能。 字詞資料庫:為字詞後處理所建立的詞庫。 人工校正 OCR最後的關卡,在此之前,使用者可能只是拿支滑鼠,跟著軟體設計的節奏操作或僅是觀看,而在此有可能須特別花使用者的精神及時間,去更正甚至找尋可能是OCR出錯的地方。一個好的OCR軟體,除了有一個穩定的影像處理及識別核心,以降低錯誤率外,人工校正的操作流程及其功能,亦影響OCR的處理效率,因此,文字影像與識別文字的對照,及其螢幕資訊擺放的位置、還有每一識別文字的候選字功能、拒認字的功能、及字詞後處理後特意標示出可能有問題的字詞,都是為使用者設計儘量少使用鍵盤的一種功能,當然,不是說系統沒顯示出的文字就一定正確,就像完全由鍵盤輸入的工作人員也會有出錯的時候,這時要重新校正一次或能允許些許的錯,就完全看使用單位的需求了。 結果輸出 有人只要文字檔案作部份文字的再使用之用,所以只要一般的文字檔案、有人要漂漂亮亮的和輸入檔案一模一樣,所以有原文重現的功能、有人注重表格內的文字,所以要和Excel等軟體結合。無論怎麼變化,都只是輸出檔案格式的變化而已。如果需要還原成原文一樣格式,則在識別後,需要人工排版,耗時耗力。
光學字元識別(Optical Character Recognition)是指電子裝置(例如掃描器或數碼相機)檢查紙上列印的字元,透過檢測暗、亮的模式確定其形狀,然後用字元識別方法將形狀翻譯成計算機文字的過程;即,針對印刷體字元,採用光學的方式將紙質文件中的文字轉換成為黑白點陣的影象檔案,並透過識別軟體將影象中的文字轉換成文字格式,供文字處理軟體進一步編輯加工的技術。如何除錯或利用輔助資訊提高識別正確率,是OCR最重要的課題,ICR(Intelligent Character Recognition)的名詞也因此而產生。衡量一個OCR系統性能好壞的主要指標有:拒識率、誤識率、識別速度、使用者介面的友好性,產品的穩定性,易用性及可行性等。 工作原理: 一個OCR識別系統,其目的很簡單,只是要把影像作一個轉換,使影像內的圖形繼續儲存、有表格則表格內資料及影像內的文字,一律變成計算機文字,使能達到影像資料的儲存量減少、識別出的文字可再使用及分析,當然也可節省因鍵盤輸入的人力與時間。 從影像到結果輸出,須經過影像輸入、影像前處理、文字特徵抽取、比對識別、最後經人工校正將認錯的文字更正,將結果輸出。 影像輸入 欲經過OCR處理的標的物須透過光學儀器,如影像掃描器、傳真機或任何攝影器材,將影像轉入計算機。科技的進步,掃描器等的輸入裝置已製作的愈來愈精緻,輕薄短小、品質也高,對OCR有相當大的幫助,掃描器的解析度使影像更清晰、掃除速度更增進OCR處理的效率。 影像預處理:影像預處理是OCR系統中,須解決問題最多的一個模組。影像須先將圖片、表格及文字區域分離出來,甚至可將文章的編排方向、文章的提綱及內容主體區分開,而文字的大小及文字的字型亦可如原始檔案一樣的判斷出來。 對待識別影象進行如下預處理,可以降低特徵提取演算法的難度,並能提高識別的精度。 二值化:由於彩色影象所含資訊量過於巨大,在對影象中印刷體字元進行識別處理前,需要對影象進行二值化處理,使影象只包含黑色的前景資訊和白色的背景資訊,提升識別處理的效率和精確度。 影象降噪:由於待識別影象的品質受限於輸入裝置、環境、以及文件的印刷質量,在對影象中印刷體字元進行識別處理前,需要根據噪聲的特徵對待識別影象進行去噪處理,提升識別處理的精確度。 傾斜校正:由於掃描和拍攝過程涉及人工操作,輸入計算機的待識別影象或多或少都會存在一些傾斜,在對影象中印刷體字元進行識別處理前,就需要進行影象方向檢測,並校正影象方向。 文字特徵抽取:單以識別率而言,特徵抽取可說是 OCR的核心,用什麼特徵、怎麼抽取,直接影響識別的好壞,也所以在OCR研究初期,特徵抽取的研究報告特別的多。而特徵可說是識別的籌碼,簡易的區分可分為兩類:一為統計的特徵,如文字區域內的黑/白點數比,當文字區分成好幾個區域時,這一個個區域黑/白點數比之聯合,就成了空間的一個數值向量,在比對時,基本的數學理論就足以應付了。而另一類特徵為結構的特徵,如文字影像細線化後,取得字的筆劃端點、交叉點之數量及位置,或以筆劃段為特徵,配合特殊的比對方法,進行比對,市面上的線上手寫輸入軟體的識別方法多以此種結構的方法為主。 對比資料庫:當輸入文字算完特徵後,不管是用統計或結構的特徵,都須有一比對資料庫或特徵資料庫來進行比對,資料庫的內容應包含所有欲識別的字集文字,根據與輸入文字一樣的特徵抽取方法所得的特徵群組。 對比識別 這是可充分發揮數學運算理論的一個模組,根據不同的特徵特性,選用不同的數學距離函式,較有名的比對方法有,歐式空間的比對方法、鬆弛比對法(Relaxation)、動態程式比對法(Dynamic Programming,DP),以及類神經網路的資料庫建立及比對、HMM(Hidden Markov Model)…等著名的方法,為了使識別的結果更穩定,也有所謂的專家系統(Experts System)被提出,利用各種特徵比對方法的相異互補性,使識別出的結果,其信心度特別的高。 字詞後處理:由於OCR的識別率並無法達到百分之百,或想加強比對的正確性及信心值,一些除錯或甚至幫忙更正的功能,也成為OCR系統中必要的一個模組。字詞後處理就是一例,利用比對後的識別文字與其可能的相似候選字群中,根據前後的識別文字找出最合乎邏輯的詞,做更正的功能。 字詞資料庫:為字詞後處理所建立的詞庫。 人工校正 OCR最後的關卡,在此之前,使用者可能只是拿支滑鼠,跟著軟體設計的節奏操作或僅是觀看,而在此有可能須特別花使用者的精神及時間,去更正甚至找尋可能是OCR出錯的地方。一個好的OCR軟體,除了有一個穩定的影像處理及識別核心,以降低錯誤率外,人工校正的操作流程及其功能,亦影響OCR的處理效率,因此,文字影像與識別文字的對照,及其螢幕資訊擺放的位置、還有每一識別文字的候選字功能、拒認字的功能、及字詞後處理後特意標示出可能有問題的字詞,都是為使用者設計儘量少使用鍵盤的一種功能,當然,不是說系統沒顯示出的文字就一定正確,就像完全由鍵盤輸入的工作人員也會有出錯的時候,這時要重新校正一次或能允許些許的錯,就完全看使用單位的需求了。 結果輸出 有人只要文字檔案作部份文字的再使用之用,所以只要一般的文字檔案、有人要漂漂亮亮的和輸入檔案一模一樣,所以有原文重現的功能、有人注重表格內的文字,所以要和Excel等軟體結合。無論怎麼變化,都只是輸出檔案格式的變化而已。如果需要還原成原文一樣格式,則在識別後,需要人工排版,耗時耗力。