字符识别算法

❶ OCR文字识别用的是什么算法

文字识别近两年没有太大进展，有两种方法，一种是CNN+RNN+CTC，白翔老师团队的CRNN写的比较清楚，还有一种是CNN+RNN基于Attention的方法。
最近比较火的方向是文字检测和识别放到一个网络里joint train，沈春华老师团队2017 ICCV的Towards End-to-end Text Spotting with Convolutional Recurrent Neural Networks这篇文章已经在水平文字上把检测识别end to end做的比较work，感觉这可能是未来一两年的一个热点。

❷ ocr数据中x*x*y什么意思

OCR算法，即字符识别算法，是专门针对字符识别和检测的一种有效的图像处理算法。

❸ 百度云盘ocr是用的什么技术

现在网上有很多ocr文字识别软件，我用的是ABBYY FineReader 14觉得还不错。你可以到ABBYY 中文网站（abbyychina.com）去下载一个试用一下，看看怎么样。另外站内提供了各种资源和学习教程，让你轻轻松松掌握这款OCR文字识别软件。

❹ 关于labview图像处理的问题

图像是哪种图像，如果是类似google，yaohoo之类的验证码图像，那就难了。

如果是清晰的标准图像，比如你在网页上截个屏，上面有几个数字，那种图像就是标准图像，这种图像对于labview来说明是小菜一蝶，用vision的OCR，对于较稳定的图像来说准确率还是不错的，时间也不会超过0.5ms/个。

如果是工业图像，字符有破损，残缺，毛刺，断层等情况出现的话，那也是比较困难的，但是比验证码还是好一点，验证码难就难在分割字符上。工业字符分割一般没问题，难就难在识别的算法上，OCR对于这种图像无能为力，如6和8，0和O，这就需要自己开发算法了，根据字体的不同，算法也不相同，没有能够做到通用的算法，通用的算法如字符匹配准确率又不高。

字符识别算法就是一个提取字符信息加以判断的过程，把人眼所能识别的信息转化为计算机所能识别的。现在的汉字识别软件一般采用基于特征识别神经网络匹配的算法，首先把字符分割成30格左右，每格的灰度值分为五个级别，得到长度为30的字符编码，每个字符就有一个不同的编码了，也可以再加一些特征，比如是否有偏旁，哪边灰度值更多，特征越多准确率也就越高，但时间也会增加。对于英文字母和数字来说就没必要那么复杂了，它的特征一般会有哪些，开口方向，对称性（左右/上下/左上右下），当然还有很多特征需要去自己分析了。

两组数据显示很简单，捆绑就行了，X在上，Y在下

❺ 什么叫光学字符识别技术

光学字符识别（Optical Character Recognition）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。如何除错或利用辅助信息提高识别正确率，是OCR最重要的课题，ICR（Intelligent Character Recognition）的名词也因此而产生。衡量一个OCR系统性能好坏的主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。

工作原理：
一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少、识别出的文字可再使用及分析，当然也可节省因键盘输入的人力与时间。
从影像到结果输出，须经过影像输入、影像前处理、文字特征抽取、比对识别、最后经人工校正将认错的文字更正，将结果输出。

影像输入
欲经过OCR处理的标的物须透过光学仪器，如影像扫描仪、传真机或任何摄影器材，将影像转入计算机。科技的进步，扫描仪等的输入装置已制作的愈来愈精致，轻薄短小、品质也高，对OCR有相当大的帮助，扫描仪的分辨率使影像更清晰、扫除速度更增进OCR处理的效率。
影像预处理：影像预处理是OCR系统中，须解决问题最多的一个模块。影像须先将图片、表格及文字区域分离出来，甚至可将文章的编排方向、文章的提纲及内容主体区分开，而文字的大小及文字的字体亦可如原始文件一样的判断出来。
对待识别图像进行如下预处理，可以降低特征提取算法的难度，并能提高识别的精度。
二值化：由于彩色图像所含信息量过于巨大，在对图像中印刷体字符进行识别处理前，需要对图像进行二值化处理，使图像只包含黑色的前景信息和白色的背景信息，提升识别处理的效率和精确度。
图像降噪：由于待识别图像的品质受限于输入设备、环境、以及文档的印刷质量，在对图像中印刷体字符进行识别处理前，需要根据噪声的特征对待识别图像进行去噪处理，提升识别处理的精确度。
倾斜校正：由于扫描和拍摄过程涉及人工操作，输入计算机的待识别图像或多或少都会存在一些倾斜，在对图像中印刷体字符进行识别处理前，就需要进行图像方向检测，并校正图像方向。
文字特征抽取：单以识别率而言，特征抽取可说是 OCR的核心，用什么特征、怎么抽取，直接影响识别的好坏，也所以在OCR研究初期，特征抽取的研究报告特别的多。而特征可说是识别的筹码，简易的区分可分为两类：一为统计的特征，如文字区域内的黑/白点数比，当文字区分成好几个区域时，这一个个区域黑/白点数比之联合，就成了空间的一个数值向量，在比对时，基本的数学理论就足以应付了。而另一类特征为结构的特征，如文字影像细线化后，取得字的笔划端点、交叉点之数量及位置，或以笔划段为特征，配合特殊的比对方法，进行比对，市面上的线上手写输入软件的识别方法多以此种结构的方法为主。
对比数据库：当输入文字算完特征后，不管是用统计或结构的特征，都须有一比对数据库或特征数据库来进行比对，数据库的内容应包含所有欲识别的字集文字，根据与输入文字一样的特征抽取方法所得的特征群组。

对比识别
这是可充分发挥数学运算理论的一个模块，根据不同的特征特性，选用不同的数学距离函数，较有名的比对方法有，欧式空间的比对方法、松弛比对法（Relaxation）、动态程序比对法（Dynamic Programming，DP），以及类神经网络的数据库建立及比对、HMM（Hidden Markov Model）…等着名的方法，为了使识别的结果更稳定，也有所谓的专家系统（Experts System）被提出，利用各种特征比对方法的相异互补性，使识别出的结果，其信心度特别的高。
字词后处理：由于OCR的识别率并无法达到百分之百，或想加强比对的正确性及信心值，一些除错或甚至帮忙更正的功能，也成为OCR系统中必要的一个模块。字词后处理就是一例，利用比对后的识别文字与其可能的相似候选字群中，根据前后的识别文字找出最合乎逻辑的词，做更正的功能。
字词数据库：为字词后处理所建立的词库。

人工校正
OCR最后的关卡，在此之前，使用者可能只是拿支鼠标，跟着软件设计的节奏操作或仅是观看，而在此有可能须特别花使用者的精神及时间，去更正甚至找寻可能是OCR出错的地方。一个好的OCR软件，除了有一个稳定的影像处理及识别核心，以降低错误率外，人工校正的操作流程及其功能，亦影响OCR的处理效率，因此，文字影像与识别文字的对照，及其屏幕信息摆放的位置、还有每一识别文字的候选字功能、拒认字的功能、及字词后处理后特意标示出可能有问题的字词，都是为使用者设计尽量少使用键盘的一种功能，当然，不是说系统没显示出的文字就一定正确，就像完全由键盘输入的工作人员也会有出错的时候，这时要重新校正一次或能允许些许的错，就完全看使用单位的需求了。

结果输出
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输入文件一模一样，所以有原文重现的功能、有人注重表格内的文字，所以要和Excel等软件结合。无论怎么变化，都只是输出档案格式的变化而已。如果需要还原成原文一样格式，则在识别后，需要人工排版，耗时耗力。

❻ 神经网络字符识别算法C实现，网上找了很多，不是不能用就是MFC类型的，求大侠帮助

光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。已有30多年历史，近几年又出现了图像字符识别（image character recognition，ICR）和智能字符识别（intelligent character recognition，ICR），实际上这三种自动识别技术的基本原理大致相同。关于字符识别的方法有很多种，最简单的就是模板匹配，还有根据采集到的字符用BP神经网络或者SVM来训练得到结果的方式。

上传的是C++编写的，稍微改一下就行。事实上，你自己找的基于MFC的也是改一改就行。