2024年5月5日发(作者：强佳思)
什么是OCR
OCR是英文Optical Character Recognition的缩写，意思是光学字符识别，也可简单
地称为文字识别，是文字自动输入的一种方法。它通过扫描和摄像等光学输入方式获取纸张
上的文字图像信息，利用各种模式识别算法分析文字形态特征，判断出汉字的标准编码，并
按通用格式存储在文本文件中，所以，OCR是一种非常快捷、省力的文字输入方式，也是在
文字量比较大的今天，很受人们欢迎的一种输入方式。
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Hande
l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。
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
2024年5月5日发(作者：强佳思)
什么是OCR
OCR是英文Optical Character Recognition的缩写，意思是光学字符识别，也可简单
地称为文字识别，是文字自动输入的一种方法。它通过扫描和摄像等光学输入方式获取纸张
上的文字图像信息，利用各种模式识别算法分析文字形态特征，判断出汉字的标准编码，并
按通用格式存储在文本文件中，所以，OCR是一种非常快捷、省力的文字输入方式，也是在
文字量比较大的今天，很受人们欢迎的一种输入方式。
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Hande
l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。
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