1、OCR技术的定义

OCR是英文OpticalCharacterRecognition的缩写,中文含义为光学字符识别,也称为文字识别,是文字自动输入的一种方法。它通过扫描和摄像等光学输入方式获取纸张上的文字、图像信息,利用各种模式识别算法分析文字形态特征,与汉字的标准编码相比较从而判别不同的字符,并按通用格式存储在文本文件中,实现文本的编辑、检索和存储。所以,OCR技术是一种快捷、省力的文字输入方式,实践证明其在档案信息数字化工程中的作用愈来愈显著。其运用过程一般使用扫描等光学输入设备读取纸张上的文字、图像信息到计算机能识别的格式,如JPG、FDF、TIF、BMP等,再通过OCR软件自动分析比较生成可编辑的文本文件。

2、OCR技术的发展历程

OCR的概念是由德国科学家Tausheck在1929年率先提出来,后来美国科学家Handel也提出了利用计算机扫描等技术对文字进行识别的想法。而最早对印刷体汉字识别进行研究的是IBM公司的Casey和Nagy,1966年他们发表了第一篇关于汉字识别的文章,采用了模板匹配法识别了1000个印刷体汉字。可以说是第一次把OCR从理论概念到实际运用的实现。经过四十年各领域专家和学者的运用和研究,以及计算机技术和光学扫描技术的不断发展,OCR技术已经从原来的字符识别率低于50%到现在针对印刷体字符识别正确率达到了99%以上,并可以识别宋体、黑体、楷体等多种字体的简、繁体;也可对多种字体、不同字号的混排进行识别;有的OCR技术识别速度很快,1000字符控制在一二分钟之内,而且可以识别图像、表格、文字混排的版面。所以从技术角度分析当前的OCR技术完全可以运用到档案信息数字化工程中,从应用层面分析OCR技术也已完全适合在档案数字化中发挥其识别率高、速度快捷、批量处理等作用。

3、OCR软件工作原理

OCR软件一般是由图像处理模块、版面划分模块、文字识别模块和文字编辑模块等四部分组成。图像处理模块主要具有文稿扫描、图像缩放、图像旋转等功能。通过扫描仪输入后,文稿形成图像文件,图像处理模块可对图像进行放大,去除污点和划痕等处理,目的是为文字识别创造更好的条件,使识别率更高。版面划分模块主要包括版面划分、更改划分,即对版面的理解、字切分、归一化等,目的是使OCR软件将同一版面的文章、表格等分开,以便分别处理,并按照一定的顺序进行识别。文字识别模块是OCR软件的核心部分,主要对输入的汉字进行"阅读",对于汉字通常是一个字、一个字地辨认,即单字识别,再进行统一归类。文字识别模块通过对不同样本汉字的特征进行提取,完成识别,自动查找可疑字,具有前后联想等功能。文字编辑模块主要对OCR识别后的文字进行修改、编辑,如系统识别认为有误,则文字会以醒目的红色或蓝色显示,并提供相似的文字供选择,选择编辑器供输出等。所以随之OCR软件的不断完善和发展,越来越被图书、档案管理单位等需要成GB和TB容量的数据录入行业所倚重和青睐。