OCR識別的技術流程解析1

一、 OCR識別預處理：灰度化（如果是彩色圖像）、降噪、二值化、字符切分以及歸一化這些子步驟。經過二值化后，圖像只剩下兩種顏色，即黑和白，其中一個是圖像背景，另一個顏色就是要識別的文字了；降噪在這個階段非常重要，降噪算法的好壞對特征提取的影響很大。字符切分則是將圖像中的文字分割成單個文字——識別的時候是一個字一個字識別的。如果文字行有傾斜的話往往還要進行傾斜校正。歸一化則是將單個的文字圖像規整到同樣的尺寸，在同一個規格下，才能應用統一的算法。

二、特征提取和降維：特征是用來識別文字的關鍵信息，每個不同的文字都能通過特征來和其他文字進行區分。對于數字和英文字母來說，這個特征提取是比較容易的，因為數字只有10個，英文字母只有52個，都是小字符集。對于漢字來說，特征提取比較困難，因為首先漢字是大字符集，國標中光是最常用的第一級漢字就有3755個；第二個漢字結構復雜，形近字多。在確定了使用何種特征后，視情況而定，還有可能要進行特征降維，這種情況就是如果特征的維數太高（特征一般用一個向量表示，維數即該向量的分量數），分類器的效率會受到很大的影響，為了提高識別速率，往往就要進行降維，這個過程也很重要，既要降低維數吧，又得使得減少維數后的特征向量還保留了足夠的信息量（以區分不同的文字）。

三、分類器設計、訓練和實際識別：分類器是用來進行識別的，就是對于第二步，對一個文字圖像，提取出特征給分類器，分類器就對其進行分類，告訴你這個特征該識別成哪個文字。在進行實際識別前，往往還要對分類器進行訓練，這是一個監督學習的案例。

四、 OCR識別后處理：后處理是用來對分類結果進行優化的，第一，分類器的分類有時候不一定是完全正確的，比如對漢字的識別，由于漢字中形近字的存在，很容易將一個字識別成其形近字。后處理中可以去解決這個問題，比如通過語言模型來進行校正——如果分類器將“在哪里”識別成“存哪里”，通過語言模型會發現“存哪里”是錯誤的，然后進行校正。第二， OCR識別圖像往往是有大量文字的，而且這些文字存在排版、字體大小等復雜情況，后處理中可以嘗試去對識別結果進行格式化，比如按照圖像中的排版排列。