更新時(shí)間:2020-09-30 來(lái)源:黑馬程序員 瀏覽量:
光學(xué)字符識(shí)別(Optical Character
Recognition)簡(jiǎn)稱為“OCR”。ORC是指對(duì)包含文本資料的圖像文件進(jìn)行分析識(shí)別處理,獲取文字及版面信息的技術(shù)。
一般包括以下幾個(gè)過(guò)程:
1.圖像輸入
針對(duì)不同格式的圖像,有著不同的存儲(chǔ)格式和壓縮方式。目前,用于存取圖像的開源項(xiàng)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:
二值化:大多數(shù)情況下,使用攝像頭拍攝的圖片都是彩色圖像,彩色圖像包含的信息量非常豐富,需要進(jìn)行簡(jiǎn)化。我們可以將圖片的內(nèi)容簡(jiǎn)單地分為前景和背景,為了讓計(jì)算機(jī)更快地、更好地識(shí)別文字,需要先對(duì)彩色圖像進(jìn)行處理,使圖片只剩下前景與背景信息,即簡(jiǎn)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(duì)比如圖1所示。
噪聲清除:對(duì)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,這就叫做噪聲去除。
傾斜校正:通常情況下,用戶拍攝的照片比較隨意,很有可能拍照文檔會(huì)產(chǎn)生傾斜。這時(shí),需要使用文字識(shí)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(guò)程叫做版面分析。由于實(shí)際文檔的多樣性和復(fù)雜性,目前沒(méi)有一個(gè)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(huì)造成字符粘連、斷筆等情況,因此極大地限制了識(shí)別系統(tǒng)的性能。此時(shí)就需要文字識(shí)別軟件具備字符切割的功能。
5.字符識(shí)別
很早的時(shí)候就有模板匹配,后來(lái)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(shí)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(gè)過(guò)程就叫做版面恢復(fù)。
7.后處理、核對(duì)
不同的語(yǔ)言環(huán)境中,語(yǔ)言的邏輯順序是不同的。因此,需要根據(jù)語(yǔ)言特征的上下文,對(duì)識(shí)別后的結(jié)果進(jìn)行校正,這個(gè)過(guò)程就是后處理。
猜你喜歡:
python人工智能之人臉識(shí)別綜合應(yīng)用與實(shí)踐