字元識別演算法

❶ OCR文字識別用的是什麼演算法

文字識別近兩年沒有太大進展，有兩種方法，一種是CNN+RNN+CTC，白翔老師團隊的CRNN寫的比較清楚，還有一種是CNN+RNN基於Attention的方法。
最近比較火的方向是文字檢測和識別放到一個網路里joint train，沈春華老師團隊2017 ICCV的Towards End-to-end Text Spotting with Convolutional Recurrent Neural Networks這篇文章已經在水平文字上把檢測識別end to end做的比較work，感覺這可能是未來一兩年的一個熱點。

❷ ocr數據中x*x*y什麼意思

OCR演算法，即字元識別演算法，是專門針對字元識別和檢測的一種有效的圖像處理演算法。

❸ 百度雲盤ocr是用的什麼技術

現在網上有很多ocr文字識別軟體，我用的是ABBYY FineReader 14覺得還不錯。你可以到ABBYY 中文網站（abbyychina.com）去下載一個試用一下，看看怎麼樣。另外站內提供了各種資源和學習教程，讓你輕輕鬆鬆掌握這款OCR文字識別軟體。

❹ 關於labview圖像處理的問題

圖像是哪種圖像，如果是類似google，yaohoo之類的驗證碼圖像，那就難了。

如果是清晰的標准圖像，比如你在網頁上截個屏，上面有幾個數字，那種圖像就是標准圖像，這種圖像對於labview來說明是小菜一蝶，用vision的OCR，對於較穩定的圖像來說准確率還是不錯的，時間也不會超過0.5ms/個。

如果是工業圖像，字元有破損，殘缺，毛刺，斷層等情況出現的話，那也是比較困難的，但是比驗證碼還是好一點，驗證碼難就難在分割字元上。工業字元分割一般沒問題，難就難在識別的演算法上，OCR對於這種圖像無能為力，如6和8，0和O，這就需要自己開發演算法了，根據字體的不同，演算法也不相同，沒有能夠做到通用的演算法，通用的演算法如字元匹配准確率又不高。

字元識別演算法就是一個提取字元信息加以判斷的過程，把人眼所能識別的信息轉化為計算機所能識別的。現在的漢字識別軟體一般採用基於特徵識別神經網路匹配的演算法，首先把字元分割成30格左右，每格的灰度值分為五個級別，得到長度為30的字元編碼，每個字元就有一個不同的編碼了，也可以再加一些特徵，比如是否有偏旁，哪邊灰度值更多，特徵越多准確率也就越高，但時間也會增加。對於英文字母和數字來說就沒必要那麼復雜了，它的特徵一般會有哪些，開口方向，對稱性（左右/上下/左上右下），當然還有很多特徵需要去自己分析了。

兩組數據顯示很簡單，捆綁就行了，X在上，Y在下

❺ 什麼叫光學字元識別技術

光學字元識別（Optical Character Recognition）是指電子設備（例如掃描儀或數碼相機）檢查紙上列印的字元，通過檢測暗、亮的模式確定其形狀，然後用字元識別方法將形狀翻譯成計算機文字的過程；即，針對印刷體字元，採用光學的方式將紙質文檔中的文字轉換成為黑白點陣的圖像文件，並通過識別軟體將圖像中的文字轉換成文本格式，供文字處理軟體進一步編輯加工的技術。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。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。

工作原理：
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。

影像輸入
欲經過OCR處理的標的物須透過光學儀器，如影像掃描儀、傳真機或任何攝影器材，將影像轉入計算機。科技的進步，掃描儀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，掃描儀的解析度使影像更清晰、掃除速度更增進OCR處理的效率。
影像預處理：影像預處理是OCR系統中，須解決問題最多的一個模塊。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體亦可如原始文件一樣的判斷出來。
對待識別圖像進行如下預處理，可以降低特徵提取演算法的難度，並能提高識別的精度。
二值化：由於彩色圖像所含信息量過於巨大，在對圖像中印刷體字元進行識別處理前，需要對圖像進行二值化處理，使圖像只包含黑色的前景信息和白色的背景信息，提升識別處理的效率和精確度。
圖像降噪：由於待識別圖像的品質受限於輸入設備、環境、以及文檔的印刷質量，在對圖像中印刷體字元進行識別處理前，需要根據雜訊的特徵對待識別圖像進行去噪處理，提升識別處理的精確度。
傾斜校正：由於掃描和拍攝過程涉及人工操作，輸入計算機的待識別圖像或多或少都會存在一些傾斜，在對圖像中印刷體字元進行識別處理前，就需要進行圖像方向檢測，並校正圖像方向。
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、怎麼抽取，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塊，根據不同的特徵特性，選用不同的數學距離函數，較有名的比對方法有，歐式空間的比對方法、鬆弛比對法（Relaxation）、動態程序比對法（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塊。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，及其屏幕信息擺放的位置、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，都是為使用者設計盡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
有人只要文本文件作部份文字的再使用之用，所以只要一般的文字文件、有人要漂漂亮亮的和輸入文件一模一樣，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。無論怎麼變化，都只是輸出檔案格式的變化而已。如果需要還原成原文一樣格式，則在識別後，需要人工排版，耗時耗力。

❻ 神經網路字元識別演算法C實現，網上找了很多，不是不能用就是MFC類型的，求大俠幫助

光學字元識別(OCR,Optical Character Recognition)是指對文本資料進行掃描，然後對圖像文件進行分析處理，獲取文字及版面信息的過程。已有30多年歷史，近幾年又出現了圖像字元識別（image character recognition，ICR）和智能字元識別（intelligent character recognition，ICR），實際上這三種自動識別技術的基本原理大致相同。關於字元識別的方法有很多種，最簡單的就是模板匹配，還有根據採集到的字元用BP神經網路或者SVM來訓練得到結果的方式。

上傳的是C++編寫的，稍微改一下就行。事實上，你自己找的基於MFC的也是改一改就行。