隨著人工智能的熱度上升，圖像識(shí)別這一分領(lǐng)域也漸漸被人們所關(guān)注。圖像識(shí)別中更貼近我們生活的可能就是 OCR 技術(shù)了。可能很多同學(xué)還不知道什么是 OCR。我們先來看下 OCR 的定義：OCR （Optical Character Recognition，光學(xué)字符識(shí)別）是指電子設(shè)備（例如掃描儀或數(shù)碼相機(jī)）檢查紙上打印的字符，通過檢測(cè)暗、亮的模式確定其形狀，然后用字符識(shí)別方法將形狀翻譯成計(jì)算機(jī)文字的過程。
今天就來簡(jiǎn)單分析下 OCR 技術(shù)的原理，不會(huì)涉及具體的算法講解和推導(dǎo)，畢竟每一個(gè)算法都能占很長的篇幅，每一個(gè)算法都能重新開一篇來寫。
從整體上來說，OCR一般分為兩個(gè)大步驟：圖像處理以及文字識(shí)別。
識(shí)別文字前，我們要對(duì)原始圖片進(jìn)行預(yù)處理，以便后續(xù)的特征提取和學(xué)習(xí)。這個(gè)過程通常包含：灰度化、二值化、降噪、傾斜矯正、文字切分等子步驟。每一個(gè)步驟都涉及了不同的算法。我們以下面這張?jiān)紙D片為例，進(jìn)行每個(gè)步驟的講解。
灰度化（gray processing），在RGB模型中，如果R=G=B時(shí)，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值（又稱強(qiáng)度值、亮度值），灰度范圍為0-255。說通俗一點(diǎn)，就是將一張彩色圖片變?yōu)楹诎讏D片。
灰度化
灰度化一般有分量法、最大值法、平均值法、加權(quán)平均法四種方法對(duì)彩色圖像進(jìn)行灰度化。
一幅圖像包括目標(biāo)物體、背景還有噪聲，要想從多值的數(shù)字圖像中直接提取出目標(biāo)物體，常用的方法就是設(shè)定一個(gè)閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群。這是研究灰度變換的較特殊的方法，稱為圖像的二值化（binaryzation）。
二值化的黑白圖片不包含灰色，只有純白和純黑兩種顏色。
二值化
二值化里重要的就是閾值的選取，一般分為固定閾值和自適應(yīng)閾值。 比較常用的二值化方法則有：雙峰法、P參數(shù)法、迭代法和OTSU法等。
現(xiàn)實(shí)中的數(shù)字圖像在數(shù)字化和傳輸過程中常受到成像設(shè)備與外部環(huán)境噪聲干擾等影響，稱為含噪圖像或噪聲圖像。減少數(shù)字圖像中噪聲的過程稱為圖像降噪（Image Denoising）。
圖像中噪聲的來源有許多種，這些噪聲來源于圖像采集、傳輸、壓縮等各個(gè)方面。噪聲的種類也各不相同，比如椒鹽噪聲，高斯噪聲等，針對(duì)不同的噪聲有不同的處理算法。
在上一步得到的圖像中可以看到很多零星的小黑點(diǎn)，這就是圖像中的噪聲，會(huì)嚴(yán)重干擾到我們程序?qū)τ趫D片的切割和識(shí)別，因此我們需要降噪處理。降噪在這個(gè)階段非常重要，降噪算法的好壞對(duì)特征提取的影響很大。
圖像降噪
圖像降噪的方法一般有均值濾波器、自適應(yīng)維納濾波器、中值濾波器、形態(tài)學(xué)噪聲濾除器、小波去噪等。
對(duì)于用戶而言，拍照的時(shí)候不可能絕對(duì)的水平，所以，我們需要通過程序?qū)D像做旋轉(zhuǎn)處理，來找一個(gè)認(rèn)為可能水平的位置，這樣切出來的圖，才有可能是較好的一個(gè)效果。
傾斜矯正常用的方法是霍夫變換，其原理是將圖片進(jìn)行膨脹處理，將斷續(xù)的文字連成一條直線，便于直線檢測(cè)。計(jì)算出直線的角度后就可以利用旋轉(zhuǎn)算法，將傾斜圖片矯正到水平位置。
對(duì)于一段多行文本來講，文字切分包含了行切分與字符切分兩個(gè)步驟，傾斜矯正是文字切分的前提。我們將傾斜矯正后的文字投影到 Y軸，并將所有值累加，這樣就能得到一個(gè)在y軸上的直方圖。
圖片在Y軸的投影直方圖
直方圖的谷底就是背景，峰值則是前景（文字）所在的區(qū)域。于是我們就將每行文字的位置給識(shí)別出來了。
行切分
字符切分和行切分類似，只是這次我們要將每行文字投影到 X軸。
但要注意的是，同一行的兩個(gè)字符往往挨的比較緊，有些時(shí)候會(huì)出現(xiàn)垂直方向上的重疊，投影的時(shí)候?qū)⑺麄冋J(rèn)為是一個(gè)字符，從而造成切割的時(shí)候出錯(cuò)（多出現(xiàn)在英文字符）；也有些時(shí)候同一個(gè)字符的左右結(jié)構(gòu)在X軸的投影存在一個(gè)小間隙，切割的時(shí)候誤把一個(gè)字符切分為兩個(gè)字符（多出現(xiàn)在中文字符）。所以相較于行切分，字符切分更難。
對(duì)于這種情況，我們可以預(yù)先設(shè)定一個(gè)字符寬度的期望值，切出的字符如果投影超出期望值太大，則認(rèn)為是兩個(gè)字符；如果遠(yuǎn)遠(yuǎn)小于這個(gè)期望值，則忽略這個(gè)間隙，把間隙左右的“字符”合成一個(gè)字符來識(shí)別。
字符切分
預(yù)處理完畢后，就到了文字識(shí)別的階段。這個(gè)階段會(huì)涉及一些人工智能方面的知識(shí)，比較抽象，沒法用圖片表達(dá)，我盡量講得簡(jiǎn)單易懂一些。
特征是用來識(shí)別文字的關(guān)鍵信息，每個(gè)不同的文字都能通過特征來和其他文字進(jìn)行區(qū)分。對(duì)于數(shù)字和英文字母來說，這個(gè)特征提取是比較容易的，總共就 10 + 26 x 2 = 52 個(gè)字符，而且都是小字符集。對(duì)于漢字來說，特征提取的難度就比較大了，因?yàn)槭紫葷h字是大字符集；其次國標(biāo)中光是常用的第一級(jí)漢字就有3755個(gè)；最后漢字結(jié)構(gòu)復(fù)雜，形近字多，特征維度就比較大。
在確定了使用何種特征后，還有可能要進(jìn)行特征降維，這種情況下，如果特征的維數(shù)太高，分類器的效率會(huì)受到很大的影響，為了提高識(shí)別速率，往往就要進(jìn)行降維，這個(gè)過程也很重要，既要降低特征維數(shù)，又得使得減少維數(shù)后的特征向量還保留了足夠的信息量（以區(qū)分不同的文字）。
對(duì)一個(gè)文字圖像，提取出特征，丟給分類器，分類器就對(duì)其進(jìn)行分類，告訴你這個(gè)特征該識(shí)別成哪個(gè)文字。分類器的設(shè)計(jì)就是我們的任務(wù)。分類器的設(shè)計(jì)方法一般有：模板匹配法、判別函數(shù)法、神經(jīng)網(wǎng)絡(luò)分類法、基于規(guī)則推理法等，這里不展開敘述。在進(jìn)行實(shí)際識(shí)別前，往往還要對(duì)分類器進(jìn)行訓(xùn)練，這是一個(gè)監(jiān)督學(xué)習(xí)的過程。成熟的分類器也有很多，有 SVM，CNN 等。
其實(shí)就是對(duì)于分類器的分類結(jié)果進(jìn)行優(yōu)化，這一般就要涉及自然語言理解的范疇了。
首先是形近字的處理：舉個(gè)栗子，“分”和“兮”形近，但是如果遇到“分?jǐn)?shù)”這個(gè)詞語，就不應(yīng)該識(shí)別為“兮數(shù)”，因?yàn)?/span>“分?jǐn)?shù)”才是一個(gè)正常詞語。這需要通過語言模型來進(jìn)行糾正。
其次是對(duì)于文字排版的處理：比如一些書籍是分左右兩欄的，同一行的左右兩欄不屬于同一句話，不存在任何語法上的聯(lián)系。如果按照行切割，就會(huì)把左行的末尾和右行的開頭連在一起，這是我們不希望看到的，這樣的情況需要進(jìn)行特殊處理。
OCR 的大致原理就是這樣。整體上來看，OCR 的步驟繁多，涉及的算法復(fù)雜，針對(duì)每一個(gè)步驟，每一個(gè)算法都有許多單獨(dú)的研究論文，本文無法進(jìn)行深入探討。如果從零開始做 OCR，這將是一個(gè)浩大的工程。筆者才疏學(xué)淺，對(duì)于模式識(shí)別、機(jī)器學(xué)習(xí)也屬于入門階段，如果有錯(cuò)漏的地方，還請(qǐng)各位斧正。
文章轉(zhuǎn)自網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系刪除