基本介紹
- 中文名：圖形掃描轉換
- 外文名：Optical Character Recognition
- 簡稱：OCR技術
- 屬於：光學字元識別
簡介,發展歷程,中文版本,衡量標準,
簡介
由於OCR是一門與識別率拔河的技術，因此如何除錯或利用輔助信息提高識別正確率，是OCR最重要的課題，ICR（Intelligent Character Recognition）的名詞也因此而產生。而根據文字資料存在的媒體介質不同，及取得這些資料的方式不同，就衍生出各式各樣、各種不同的套用。
發展歷程
要談OCR的發展，早在60、70年代，世界各國就開始有OCR的研究，而研究的初期，多以文字的識別方法研究為主，且識別的文字僅為0至9的數字。以同樣擁有方塊文字的日本為例，1960年左右開始研究OCR的基本識別理論，初期以數字為對象，直至1965至1970年之間開始有一些簡單的產品，如印刷文字的郵政編碼識別系統，識別郵件上的郵政編碼，幫助郵局作區域分信的作業；也因此至今郵政編碼一直是各國所倡導的地址書寫方式。
OCR可以說是一種不確定的技術研究，正確率就像是一個無窮趨近函式，知道其趨近值，卻只能靠近而無法達到，永遠在與100%作拉鋸戰。因為其牽扯的因素太多了，書寫者的習慣或檔案印刷品質、掃瞄器的掃描品質、識別的方法、學習及測試的樣本……等等，多少都會影響其正確率，也因此， OCR的產品除了需有一個強有力的識別核心外，產品的操作使用方便性、所提供的除錯功能及方法，亦是決定產品好壞的重要因素。
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保存、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。
在此逐一介紹：
影像輸入：
欲經過OCR處理的標的物須透過光學儀器，如影像掃瞄器、傳真機或任何攝影器材，將影像轉入計算機。科技的進步，掃瞄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，掃瞄器的解析度使影像更清晰、掃除速度更增進OCR處理的效率。
影像前處理：影像前處理是OCR系統中，須解決問題最多的一個模組，從得到一個不是黑就是白的二值化影像，或灰階、彩色的影像，到獨立出一個個的文字影像的過程，都屬於影像前處理。包含了影像正規化、去除噪聲、影像矯正等的影像處理，及圖文分析、文字行與字分離的檔案前處理。在影像處理方面，在學理及技術方面都已達成熟階段，因此在市面上或網站上有不少可用的程式庫；在檔案前處理方面，則憑各家本領了；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。
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、怎么抽取，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，及其螢幕信息擺放的位置、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：
其實輸出是件簡單的事，但卻須看使用者用OCR到底為了什麼？有人只要文本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。無論怎么變化，都只是輸出檔案格式的變化而已。
中文版本
中文OCR，光學符號識別技術是一種漢字文稿的自動輸入方式，它通過光學掃瞄器和計算機的配合，經OCR軟體將圖像數據進行運算分類後，將圖像數據轉化為計算機內碼，可以極大減輕數據錄入工作的強度，提高數據錄入的速度。
文獻資料的數位化錄入，一般分為：
純圖像方式。
目錄文本、正文圖像方式。
全文本方式。
全文索引方式。文本方式和圖像方式的混合體。
我國在OCR技術方面的研究工作起步較晚，在70年代才開始對數字、英文字母及符號的識別進行研究，70年代末開始進行漢字識別的研究，到1986年漢字識別的研究進入一個實質性的階段，不少研究單位相繼推出了中文OCR產品.
我國目前使用的文本型OCR軟體主要有清華文通TH-OCR、北信BI-OCR、中自ICR、瀋陽自動化所SY-OCR、北京曙光公司NI-OCR（已被中自漢王併購）等，匹配的掃瞄器則使用市面上的平板掃瞄器。
衡量標準
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、用戶界面的友好性，產品的穩定性，易用性及可行性等方面。
四OCR工作原理
識別過程:
書本級：中文，英文；簡體，繁體；
版式級：豎排，橫排；有無分欄；
行切分
字切分
識別：真正的OCR識別過程，圖像信息還原成文本信息
後處理：人工干預，主要集中在前四個階段。
識別精度可以達到99%
