粘連演算法

㈠ OCR文字識別軟體哪個易用可網上下載

OCR文字識別軟體 Mini Ocr

xdowns.com/view_soft/3/7/OCRwenzishibieruanjian Mini Ocr.html

件

本軟體是飛濤軟體工作室開發的一款免費Ocr軟體,主要用於識別圖像文件之中，出現
的漢字顯示字體。Ocr的中文含意是光學字元識別。
為什麼叫Mini呢？因為現有的識別漢字的商業Ocr軟體，動輒二三十兆，而本軟體解
壓後，也不過三兆多，身材比較纖小，再加上本軟體主要用於識別字體比較小的漢字，所
以叫Mini，中文的發音是「迷你」，中文含義是超小型。

既然有了商業Ocr軟體，為什麼還要開發這個軟體？

不同於商業Ocr軟體，本軟體是免費的，可以自由使用。第二個不同之處，本軟體的
識別對象是屏幕出現的「顯示漢字」，而不是針對掃描儀掃出來的「列印漢字」。二者有什
么不同呢？最重要的一點： 掃描出來的列印漢字的高度和寬度一般都在30多個像素點之
上，這是我用畫圖軟體，打開某個商業Ocr的samples\sample1.tif，然後一點一點數出
來的。從文件名和目錄名的中文含意可以看出，這個點數應該是一個典型值。那麼，如果
用商業Ocr識別屏幕上出現的小五號字，漢字的高度是12個像素點，會出現什麼情況呢？
測試方法：用記事本隨便寫幾行漢字，設置字體為小五號字。這大概是看著還算舒服
的最小號的漢字字體了（高度是12個像素點），如果再小，字體就很難看了。然後，按拷
屏鍵PrtSc，把屏幕的圖像拷貝、粘貼到畫圖軟體中，修剪尺寸後，保存為bmp的格式。
然後，我找了兩個國內最著名的Ocr軟體進行測試，結果讓人大吃一驚，識別率幾乎為零。
把圖像放大兩倍，再測試，結果仍然很不理想，大概也只有百分之二三十的樣子。

開發Mini Ocr軟體的由來

我在開發護花使者反黃圖像識別軟體的時候，遇到有些圖像里,嵌有某些文字，如果能
把文字識別出來，圖像的含義就很容易讓計算機理解了。預算有限，我連掃描儀都捨不得
買，就更別想買商業Ocr的開發包了，大概幾十萬,或者更多，或者別人壓根就不賣。況且
它們的識別率對小字體幾乎為零，不符合我的要求。看來，只好自力更生，重新寫一個了。

開發Mini Ocr的歷程

經過三個多月的努力，終於誕生了這款Mini Ocr 軟體。第1個月做出了漢字識別的
核心模塊，第2個月做出了文章段落切分的演算法，並加入了對英文，數字，標點的支持，
第三個月繼續調整英漢混排和漢字切分的演算法，並用MFC 做了一個界面。

Mini Ocr的軟體架構

為了讓更多的人能使用到這個軟體，我在windows系統下，採用VC進行編程，界面當
然只好用MFC寫了。軟體架構是一個SDI框架下的多窗口切分界面，左上角的窗口是一個
CFormView，用來顯示常用的按鈕；左下角是一個CEditView,用來顯示幫助信息；右上角
是一個CView,用來顯示要識別的圖像；右下角是一個CEditView,用來存放識別出來的文
字。識別部分採用了工作者線程，以避免顯示界面的主線程僵掉。識別部分是整個軟體的
核心，與操作系統無關，可以單獨摘出來放在dos窗口裡跑，也可以移植到Linux系統中跑。

漢字識別軟體的難點所在：

英文識別有一些開放源碼的軟體，我看過的軟體，主要採取兩種識別方法：基於規則
的方法，和採用神經網路方法。而這兩種方法，在識別漢字時，都不宜採用。因為漢字數
目眾多，最常用的國標2312的一級漢字就有3755個。如果借用基於規則的方法，需要對
三千多個漢字，逐一人工寫出分類規則，工作量太大，我一個人無法完成；如果採用神經
網路的方法，這么多漢字，我不敢想像，需要多少層網路和神經節點呀！如果採用網格法，
抗位移的效果太差；而採用不變矩法，識別人和入，土和士，相似度又難於控制。除此之
外，漢字切分也是一大難題。英文寬度大概只有漢字一半，標點符號大概只有漢字三分之
一寬，數字大概只有四分之一的寬度。而漢字本身又有二分字，和三分字。某些字，如「啊」，
字體小時可能是獨體字，字體大些，變為二分字，字體再大，又變為三分字。加上漢字與
漢字之間的粘連、漢字與英文的混排，英文與英文的粘連，造成漢字切分模塊的演算法，甚
至比漢字識別模塊的演算法還要復雜得多。為了克服這些難點，並加快識別速度，我在演算法
設計時，採用了一些優化和簡化的策略。經過實踐檢驗，證明行之有效。

Mini Ocr進行漢字識別的策略：
1) 採用復合特徵的分類方法。
2) 字元集選擇3755個一級漢字。
3) 字體選擇最常用的宋體。
4) 字型大小選擇從小五號到一號漢字，主要針對20個點之內的小字體。
5) 英漢混排時，漢語優先。
6) 漢字粘連時，進行動態優化切分。

展望與下一步的開發計劃：
1) 重新優化英文識別的演算法；
2) 對英文粘連的切分演算法進行調整；
3) 移植進入Linux；

選擇Ocr軟體的建議：

如果您選擇Ocr軟體，目的是用來識別掃描儀出來列印字體，推薦還是選用知名的商業Ocr。
如果您要識別屏幕上顯示的漢字，Mini Ocr是一個比較不錯的選擇。真誠地希望您在使用
中，能喜歡上它

㈡ 闡述提高場景文字檢測演算法性能的難點

1、圖像輸入、預處理：
圖像輸入：對於不同的圖像格式，有著不同的存儲格式，不同的壓縮方式。預處理：主要包括二值化，雜訊去除，傾斜較正等
2、二值化：
對攝像頭拍攝的圖片，大多數是彩色圖像，彩色圖像所含信息量巨大，對於圖片的內容，我們可以簡單的分為前景與背景，為了讓計算機更快的，更好的識別文字，我們需要先對彩色圖進行處理，使圖片只前景信息與背景信息，可以簡單的定義前景信息為黑色，背景信息為白色，這就是二值化圖了。
3、雜訊去除：
對於不同的文檔，我們對燥聲的定義可以不同，根據燥聲的特徵進行去燥，就叫做雜訊去除
4、傾斜較正：
由於一般用戶，在拍照文檔時，都比較隨意，因此拍照出來的圖片不可避免的產生傾斜，這就需要文字識別軟體進行較正。
版面分析：5、將文檔圖片分段落，分行的過程就叫做版面分析，由於實際文檔的多樣性，復雜性，因此，目前還沒有一個固定的，最優的切割模型。
6、字元切割：
由於拍照條件的限制，經常造成字元粘連，斷筆，因此極大限制了識別系統的性能，這就需要文字識別軟體有字元切割功能。
7、字元識別：
這一研究，已經是很早的事情了，比較早有模板匹配，後來以特徵提取為主，由於文字的位移，筆畫的粗細，斷筆，粘連，旋轉等因素的影響，極大影響特徵的提取的難度。
8、版面恢復：
人們希望識別後的文字，仍然像原文檔圖片那樣排列著，段落不變，位置不變，順序不變，的輸出到word文檔,pdf文檔等，這一過程就叫做版面恢復。
9、後處理、校對：
根據特定的語言上下文的關系，對識別結果進行較正，就是後處理。
開發一個OCR文字識別軟體[2]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。

㈢ 怎麼進行人民幣冠字碼識別

人民幣紙幣上除了漢字、少數民族文字、漢語拼音及第四套人民幣主幣上增加的盲文外，還有用以控制各種票券印製數量和防偽作用的冠號和號碼。冠，取首之意，冠字也稱「字頭」，即印在票券號碼前的符號，用以表示各種票券和印製數量的批號。

中國人民銀行發行的五套人民幣紙幣，前三套均使用兩個或三個不同的羅馬數字（Ⅰ、Ⅱ、Ⅲ、Ⅳ等）作冠字，第四套人民幣改成兩個相同或不同的漢語拼音字母作冠字，而「慶祝中華人民共和國成立50周年」流通紀念鈔只用一個漢語拼音字母作冠字。

號碼也是表示票券印製數量的編號，是每一冠字批號中的具體編號，一般採用阿拉伯數字排列號碼，一票一號，在同一冠字批號中的號碼一般不會出現重復。從鈔票的號碼位數可以看出該組冠字所印票券的多寡，即位數越多，印製數量越大，反之印製數量越少。

(3)粘連演算法擴展閱讀：

冠字型大小碼新排列方式

2010年年初，央行調整了人民幣紙幣的冠字型大小碼排列方式，如市場所見「A0A0000001」方式。隨著現金發行量的增加，人民幣紙幣冠字型大小碼排列方式仍會不斷調整變化(如「A00A000001」和「A000A00001」等排列方式。

市面上較為廣泛使用的第五套人民幣100元紙幣的冠字型大小碼為十位，前兩位是大寫的拼音字母組合，後八位則為阿拉伯數字，其中冠字型大小碼前四位為紅色，後六位為黑色。

央行有關人士證實，如今兩個拼音字母相互排列的冠號組合已經全部使用完，因此有一部分人民幣百元鈔冠號部分變更為拼音字母 數字拼音字母的形式，就如市面上已經出現的「A0A0000001」。而且，今後隨著現金發行量的增加，冠字型大小碼的排列方式還將進行調整。

㈣ imreconstruct 這個matlab的函數有人懂的嗎

imreconstruct（）函數的功能是對圖形形態修飾。

imreconstruct（）書寫主要格式為

IM = imreconstruct(MARKER,MASK)

MARKER——標記，標記和掩碼可以是兩個灰度圖像或兩個二進制圖像具有相同的大小。標記必須是相同的大小。

MASK——面膜，作為面膜，其元素必須小於或等於面具的相應元素。

應用實例代碼：

I = imread('snowflakes.png'); 讀寫圖形文件，snowflakes.png

mask = adapthisteq(I); 對比度自適應直方圖均衡化（CLAHE）

se = strel('disk',5); 形態學結構元素

marker = imerode(mask,se); 圖像灰度化

obr = imreconstruct(marker,mask);

figure, imshow(mask,[]), 修飾前的圖形（圖1）

figure, imshow(obr,[]) 修飾後的圖形（圖2）