2024年4月4日发(作者：)

浅谈文字识别软件OCR

•

汉字识别软件的任务是研究如何使计算机能够“识字”，该系统通常是采用光电转换装置

将汉字或字符转换成电信号，并送入计算机，由计算机自动辨认、阅读，因此称其为光学字符识

别（OpticalCharacterRecognition），简称为OCR）。

OCR的发展简况

OCR的概念是在1929年由德国科学家Tausheck最先提出来的，后来美国科学家Handel

也提出了利用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。20世纪70年代初，日本的学者开始研究汉字识别，并做了大量的工作。我国研

究汉字识别的起步比较晚，20世纪70年代末才开始进行OCR的研究工作。早期的OCR软件，

由于识别率及产品化等多方面的因素，未能达到实际要求。同时，由于硬件设备成本高、运行速

度慢，也没有达到实用的程度。只有个别部门，如信息部门、新闻出版单位等使用OCR软件。

1986年以后我国的OCR研究有了很大进展，在汉字建模和识别方法上都有所创新，在系统研制

和开发应用中都取得了丰硕的成果，不少单位相继推出了中文OCR产品。进入20世纪90年代

以后，随着平台式扫描仪的广泛应用，以及我国信息自动化和办公自动化的普及，大大推动了

OCR技术的进一步发展，使OCR的识别正确率、识别速度满足了广大用户的要求。

目前，比较流行的OCR软件很多，英文OCR主要有OmniPage，中文OCR主要有清华紫

光OCR、清华文通OCR、汉王OCR、中晶尚书OCR、丹青OCR、蒙恬OCR等。尽管汉字字

量大、字形复杂，但OCR技术已经走向成熟。许多OCR软件不仅能识别黑白印刷体汉字，还能

识别灰度和彩色印刷体汉字，识别速度很快，识别正确率达到了99%以上；可识别宋体、黑体、

楷体等多种字体的简、繁体；可对多种字体、不同字号的混排进行识别；有些OCR软件还能识

别图像、表格。与此同时，对于手写体汉字识别的研究也取得了很大进展，正确识别率已达到了

70％以上。

OCR软件的应用

在扫描仪市场上，许多类型的办公和家用扫描仪均配有OCR软件，如紫光的扫描仪配备了

紫光OCR，中晶的扫描仪配备了尚书OCR，Mustek的扫描仪配备了丹青OCR等。扫描仪与

OCR软件共同承担着从文稿的输入到文字识别的全过程。

文稿扫描在办公领域中经常用到，即将报纸、杂志等媒体上刊载的有关文稿通过扫描仪进行

扫描，随后进行OCR识别，或存储成图像文件，留待以后进行OCR识别，将图像文件转换成文

本文件或Word文件进行存储。

此外，数字化信息的存储、传输,不仅成本低、效率高，而且能够适应排版、网络传输等不断

发展的需要。目前我国有很多历史遗留下来的大量图书、报刊、杂志等纸质珍品，急需将其转换

成电子信息。如电子图书馆的建立，就需要将图书逐页扫描，加上OCR软件的识别，更替代了

人工键入文字的工作，大大缩短了录入时间，减轻了劳动强度，节省了人力且降低了费用，提高

了录入正确率、工作效率和现代办公自动化程度。

目前OCR软件与扫描仪的搭配已应用到信息化时代的多个领域，如数字化图书馆，各种报

表的识别，以及银行、税务系统票据的识别等。随着网络化、信息化的发展与普及，其应用范围

将越来越广泛。

OCR系统的组成

汉字识别软件OCR的功能是将各种录入汉字、印刷体或手写体中每个汉字的图形或图像通

过计算机辨认出来，并标出汉字类别代码。因此，汉字识别归根结底是一个图像识别问题。由于

汉字信息量很大，具有不同的字形、字体，而且结构复杂，因此汉字识别的过程极其复杂。

由于扫描仪的普及与广泛应用，OCR软件只需提供与扫描仪的接口，利用扫描仪驱动软件即

可。因此，OCR软件主要是由图像处理模块、版面划分模块、文字识别模块和文字编辑模块等4

部分组成。

1.图像处理模块

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，如果图像放置不正，可以手工

或自动旋转图像，目的是为文字识别创造更好的条件，使识别率更高。

2.版面划分模块

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，可选择

自动或手动两种版面划分方式。目的是告诉OCR软件将同一版面的文章、表格等分开，以便于

分别处理，并按照怎样的顺序进行识别。

3.文字识别模块

文字识别模块是OCR软件的核心部分，文字识别模块主要对输入的汉字进行“阅读”，但

不能一目多行，必须逐行切割，对于汉字通常也是一个字一个字地辨认，即单字识别，再进行归

一化。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。

4.文字编辑模块

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。

OCR软件的使用方法

OCR软件的种类虽然很多，但其使用方法大同小异。首先要对文稿进行扫描，然后进行OCR

识别。OCR软件的使用方法如下：

1.文稿扫描

为了利用OCR软件进行文字识别，可直接在OCR软件中扫描文稿。运行OCR软件后，会

出现OCR软件界面。如使用中晶尚书OCR。