如何高度識別圖片文字

A. 微信公眾號長條圖如何製作

在微信公眾號中，有不少的時候我們都會看到長條圖的內容，那麼你知道這些公眾號長條圖是怎麼製作的嗎?以下是我為您帶來的關於微信公眾號長條圖製作，希望對您有所幫助。
微信公眾號長條圖製作
1、首先要使用電腦，你的電腦先裝好PS，新建一張圖，寬800像素，高度可以隨便調，按照識別效果我們可以把高度加高

2、點左邊的文字工具(熱鍵T)，寫一個標題

3、放圖片或者文字進行編輯成成品

4、內容弄好了後選擇另存為web和設備用格式，格式選成jpg，一般品質設置成60就成，不要弄得太小導致不清楚

5、傳送到你的手機裡面後直接用微信發送就好，看你直接萌萌噠!

猜你喜歡：

1. 微信早安勵志圖片素材分享

2. 微信公眾號簽名設計

3. 微信頭像勵志圖片素材分享

4. 微信公眾號原創分享樣式是什麼

5. 微信公眾號素材可以轉移嗎

B. vb 部分截屏之後識別圖片上的文字

主要是先要將圖片轉換為位元組數組
'存放格式為(*, *, *),從左下角開始:
'第一維:0-藍色分量,1-綠色分量,2-紅色分量,
'第二維:列；第三維:行

全部步驟如下
1、用DibGet獲取圖片數據
2、用ColorToBlackAndWhite（或ColorToGray+OtsuColorToBlackAndWhite）將圖片數據轉換為黑白數據
3、用DibPut將數據恢復到一個PictureBox中
4、截取各個數字到單獨的PictureBox中
5、將數字圖片轉換為圖片數據，並與標准數據（0-9）對比，相似度最高的為准（比如與1的相似度為75%，與2的相似度為85%，則此數字為2）
有問題Hi
'圖像輸出的過程:
Public Sub DIBPut(ByVal IdDestination As Long, ByRef ImageData() As Byte)
Dim LineBytes As Long
Dim Width As Long, Height As Long

Width = UBound(ImageData, 2) + 1
Height = UBound(ImageData, 3) + 1

On Error GoTo ErrLine
Done = False

With bi24BitInfo.bmiHeader
.biWidth = Width
.biHeight = Height
LineBytes = ((Width * Bits + 31) And &HFFFFFFE0) \ 8
.biSizeImage = LineBytes * Height
End With
SetDIBitsToDevice IdDestination, 0, 0, Width, Height, 0, 0, 0, Height, ImageData(0, 0, 0), bi24BitInfo, 0

Done = True
Exit Sub
ErrLine:
MsgBox Err.Description
End Sub

'灰度處理SrcData(0 to 2, 0 to 寬度-1, 0 to 高度-1)
Public Sub ColorToGray(ByRef SrcData() As Byte, ByRef DestData() As Byte, _
Optional Left As Long = -1, Optional Top As Long = -1, _
Optional Right As Long = -1, Optional Bottom As Long = -1)
Dim i As Long, j As Long, k As Long
Dim red As Byte, green As Byte, blue As Byte
Dim Color As Long, newcolor As Long
Dim Width As Long, Height As Long

Width = UBound(SrcData, 2) + 1
Height = UBound(SrcData, 3) + 1
If Left = -1 Then Left = 0
If Top = -1 Then Top = 0
If Right = -1 Then Right = Width - 1
If Bottom = -1 Then Bottom = Height - 1

For j = Left To Right
For k = Height - Bottom - 1 To Height - Top - 1
blue = SrcData(0, j, k)
green = SrcData(1, j, k)
red = SrcData(2, j, k)
newcolor = CLng(0.299 * CDbl(red) + 0.585 * CDbl(green) + 0.114 * CDbl(blue)) '
newcolor = newcolor * 65793
red = newcolor Mod 256
green = newcolor / 256 Mod 256 '(9798 * RValue + 19235 * GValue + 3735 * BValue) / 32768
blue = newcolor / 256 / 256
DestData(0, j, k) = blue
DestData(1, j, k) = green
DestData(2, j, k) = red
Next
Next
End Sub

'黑白處理DestData(0 to 2, 0 to 寬度-1, 0 to 高度-1)
'圖片最下面兩行總是無法參與變換？？？？只好將採集的圖片區域向下多延伸2個像素
Public Sub ColorToBlackAndWhite(ByRef SrcData() As Byte, ByRef DestData() As Byte)
Dim i As Long, j As Long, k As Long
Dim red As Byte, green As Byte, blue As Byte
Dim Color As Long, newcolor As Long
Dim Width As Long, Height As Long

Width = UBound(SrcData, 2) + 1
Height = UBound(SrcData, 3) + 1

For j = 0 To Width - 1
For k = 0 To Height - 1
blue = SrcData(0, j, k)
green = SrcData(1, j, k)
red = SrcData(2, j, k)
newcolor = CLng(0.3 * CDbl(red) + 0.59 * CDbl(green) + 0.11 * CDbl(blue))
' newcolor = CLng(0.39 * CDbl(red) + 0.5 * CDbl(green) + 0.11 * CDbl(blue))
If newcolor > 127 Then newcolor = 255 Else newcolor = 0
red = newcolor
green = newcolor
blue = newcolor
DestData(0, j, k) = blue
DestData(1, j, k) = green
DestData(2, j, k) = red
Next
Next
End Sub

'黑白處理DestData(0 to 2, 0 to 寬度-1, 0 to 高度-1)
'圖片最下面兩行總是無法參與變換？？？？只好將採集的圖片區域向下多延伸2個像素
'OSTU演算法可以說是自適應計算單閾值（用來轉換灰度圖像為二值圖像）的簡單高效方法。
'1978 OTSU年提出的最大類間方差法以其計算簡單、穩定有效，一直廣為使用。
Public Sub OtsuColorToBlackAndWhite(ByRef SrcData() As Byte, ByRef DestData() As Byte)
On Error Resume Next
Dim i As Long, j As Long, k As Long
Dim red As Byte, green As Byte, blue As Byte
Dim Color As Long, newcolor As Long
Dim Width As Long, Height As Long
Dim AllSum As Long, SumSmall As Long, SumBig As Long, PartSum As Long
Dim AllPixelNumber As Integer, PixelNumberSmall As Long, PixelNumberBig As Long
Dim ProbabilitySmall As Double, ProbabilityBig As Double, Probability As Double, MaxValue As Double
Dim BmpData() As Byte, Threshold As Byte
Dim Histgram(255) As Integer '圖像直方圖，256個點
Dim PixelNumber As Integer

Width = UBound(SrcData, 2) + 1
Height = UBound(SrcData, 3) + 1
PixelNumber = Width * Height

For i = 0 To Width - 1
For j = 0 To Height - 1
Histgram(SrcData(0, i, j)) = Histgram(SrcData(0, i, j)) + 1 '統計圖像的直方圖
Next
Next
For i = 0 To 255
AllSum = AllSum + i * Histgram(i) ' 質量矩
AllPixelNumber = AllPixelNumber + Histgram(i) ' 質量
Next
MaxValue = -1#
For i = 0 To 255
PixelNumberSmall = PixelNumberSmall + Histgram(i)
PixelNumberBig = AllPixelNumber - PixelNumberSmall
If PixelNumberBig = 0 Then Exit For
SumSmall = SumSmall + i * Histgram(i)
SumBig = AllSum - SumSmall
ProbabilitySmall = CDbl(SumSmall) / PixelNumberSmall
ProbabilityBig = CDbl(SumBig) / PixelNumberBig
' Probability = PixelNumberSmall * PixelNumberBig * (ProbabilityBig - ProbabilitySmall) * (ProbabilityBig - ProbabilitySmall)
Probability = PixelNumberSmall * ProbabilitySmall * ProbabilitySmall + PixelNumberBig * ProbabilityBig * ProbabilityBig
If Probability > MaxValue Then
MaxValue = Probability
Threshold = i
End If
Next

For j = 0 To Width - 1
For k = 0 To Height - 1
If SrcData(0, j, k) <= Threshold Then
DestData(0, j, k) = 0
DestData(1, j, k) = 0
DestData(2, j, k) = 0
Else
DestData(0, j, k) = 255
DestData(1, j, k) = 255
DestData(2, j, k) = 255
End If
Next
Next
End Sub

'迭代法 (最佳閥值法)
'(1)求出圖象的最大灰度值和最小灰度值，分別記為Zl和Zk，令初始閾值為：T=(Zl+Zk)/2
'(2)根據閾值TK將圖象分割為前景和背景，分別求出兩者的平均灰度值Z0和ZB:
'(3)令當前閾值Tk=(Z0+ZB)/2
'(4)若TK=TK+1， 則所得即為閾值，否則轉2，迭代計算。
Public Sub (ByRef SrcData() As Byte, ByRef DestData() As Byte)
Dim i As Long, j As Long, k As Long
Dim red As Byte, green As Byte, blue As Byte
Dim Color As Long, newcolor As Long
Dim Width As Long, Height As Long
Dim PixelNumber As Integer
Dim Threshold As Integer, NewThreshold As Integer, MaxGrayValue As Integer
Dim MinGrayValue As Integer, MeanGrayValue1 As Integer, MeanGrayValue2 As Integer
Dim IP1 As Long, IP2 As Long, IS1 As Long, IS2 As Long
Dim Iteration As Long, Histgram(255) As Integer

Width = UBound(SrcData, 2) + 1
Height = UBound(SrcData, 3) + 1
PixelNumber = Width * Height

'求出圖像中的最小和最大灰度值，並 計算閾值初值為
MaxGrayValue = 0: MinGrayValue = 255
For i = 0 To Width - 1
For j = 0 To Height - 1
Histgram(SrcData(0, i, j)) = Histgram(SrcData(0, i, j)) + 1 '統計圖像的直方圖
If MinGrayValue > SrcData(0, i, j) Then MinGrayValue = SrcData(0, i, j)
If MaxGrayValue < SrcData(0, i, j) Then MaxGrayValue = SrcData(0, i, j)
Next
Next

NewThreshold = (MinGrayValue + MaxGrayValue) / 2
While Threshold <> NewThreshold And Iteration < 100
Threshold = NewThreshold
'根據閾值將圖像分割成目標和背景兩部分，求出兩部分的平均灰度值
For i = MinGrayValue To Threshold
IP1 = IP1 + Histgram(i) * i
IS1 = IS1 + Histgram(i)
Next
MeanGrayValue1 = CByte(IP1 / IS1)
For i = Threshold + 1 To MaxGrayValue
IP2 = IP2 + Histgram(i) * i
IS2 = IS2 + Histgram(i)
Next
MeanGrayValue2 = CByte(IP2 / IS2)
'求出新的閾值：
NewThreshold = (MinGrayValue + MaxGrayValue) / 2
Iteration = Iteration + 1
Wend

For j = 0 To Width - 1
For k = 0 To Height - 1
If SrcData(0, j, k) <= Threshold Then
DestData(0, j, k) = 0
DestData(1, j, k) = 0
DestData(2, j, k) = 0
Else
DestData(0, j, k) = 255
DestData(1, j, k) = 255
DestData(2, j, k) = 255
End If
Next
Next
End Sub

C. 手提電腦怎麼量圖片字體高度

操作步驟如下：
1、電腦打開Photoshop，點擊工具欄中的文字工具。
2、點擊文字工具後，輸入文字。
3、輸入文字後，按Ctrl+T把文字自由變換。
4、文字自由變換後,按F8，PS界面右上角就會出現W寬度，H高度，這就是文字的大小尺寸。

D. OCR技術淺析

姓名:吳兆陽  學號:14020199009

轉自機器人學習研究會

嵌牛導讀:OCR（Optical Character Recognition，光學字元識別）的概念早於1920年代便被提出，一直是模式識別領域中重要的研究方向。近年來，隨著移動設備的快速更新迭代，以及移動互聯網的快速發展，使得OCR有更為廣泛的應用場景，從以往的掃描文件的字元識別，到現在應用到自然場景中圖片文字的識別，如識別身份證、銀行卡、門牌、票據及各類網路圖片中的文字。

嵌牛鼻子:ORC技術

嵌牛提問:什麼是ORC，如何使用？

嵌牛正文:

以深度學習興起的時間為分割點，直至近五年之前，業界最為廣泛使用的仍然是傳統的OCR識別技術框架，而隨著深度學習的崛起，基於這一技術的OCR識別框架以另外一種新的思路迅速突破了原有的技術瓶頸（如文字定位、二值化和文字分割等），並已在工業界得到廣泛應用。

筆者針對業務中的身份證照片文字識別需求分別嘗試了傳統OCR識別框架及基於深度學習的OCR識別框架。下面就以身份證文字識別為例分別簡要介紹兩種識別框架。

傳統OCR技術框架

如上圖所示，傳統OCR技術框架主要分為五個步驟：

首先文本定位，接著進行傾斜文本矯正，之後分割出單字後，並對單字識別，最後基於統計模型（如隱馬爾科夫鏈，HMM）進行語義糾錯。可按處理方式劃分為三個階段：預處理階段、識別階段和後處理階段。其中關鍵在於預處理階段，預處理階段的質量直接決定了最終的識別效果，因此這里詳細介紹下預處理階段。

預處理階段中包含了三步：

定點陣圖片中的文字區域，而文字檢測主要基於連通域分析的方法，主要思想是利用文字顏色、亮度、邊緣信息進行聚類的方式來快速分離文字區域與非文字區域，較為流行的兩個演算法分別是：最大極值穩定區域(MSER)演算法及筆畫寬度變換(SWT)演算法，而在自然場景中因受到光照強度、圖片拍攝質量和類文字背景的干擾，使得檢測結果中包含非常多的非文字區域，而目前從候選區域區分出真正文字區域主要兩種方法，用規則判斷或輕量級的神經網路模型進行區分；

文本區域圖像矯正，主要基於旋轉變換和仿射變換；

行列分割提取出單字，這一步利用文字在行列間存在間隙的特徵，通過二值化並在投影後找出行列分割點，當在文字與背景的區分度較好時，效果很好，而拍攝的圖片中光照、攝像質量的影響，並且文字背景難以區分時，常造成錯誤分割的情況。

下面介紹基於傳統OCR框架處理身份證文字識別：

身份證識別技術流程與上述框架稍微有所差異。對該問題，已知先驗信息：a.證件長寬固定；b.字體及大小一致；c.文本相對於證件位置固定；d.存在固定文字。因此，處理該問題的思路為：先定位目標物體（證件），矯正後提取文字進行識別，最後進行語義糾錯，如下圖：

目標物體定位並矯正。基於現有的先驗信息，定位最後的方法為採用模板關鍵點特徵匹配的方法，並利用模板上特徵點及目標圖像特徵點坐標之間的關系進行透視變換，以定位目標物體，如下圖所示。接著，基於四角的坐標，進行旋轉、仿射、尺寸的變換，並提取出目標物體的俯視圖。

因文字位置相對固定，接著便分割出文字區域，二值化後，行列分割出單個字元。這里的技術難點在於二值化，二值化效果的好壞直接影響字元分割，並最終影響識別結果。受光照和拍攝質量的影響，全局二值化難以設置統一的閾值，而自適應二值化演算法易受到陰影及模糊邊界的干擾。所以在這邊嘗試過許多方法，測試下來未發現在任何情形下效果都滿足要求的方法。

分割出單字後接著用分類器進行識別，並在這步基於統計上的先驗信息定義了一個簡單的優化函數，可看做1-gram語言模型。先驗信息為：2400（總共660273）漢字的使用頻率之和為99%以上。定義的優化函數為：

式中，Pi為該字出現的概率，confi為置信度值。

下圖給出了示例：

因上述的優化過程中假定各狀態相互獨立並與上一狀態沒有聯系，故不可避免存在語義上的錯誤。而如何基於現有的輸出序列，對序列進行語義上的修正，那麼最直觀的想法就是用隱馬爾可夫模型（Hidden Markov Model，HMM）解決這個問題，其基於觀察序列，求出最優隱序列。其可以抽象為如下圖的過程。在給定O序列情況下，通過維特比演算法，找出最優序列S：

傳統OCR冗長的處理流程以及大量人工規則的存在，使得每步的錯誤不斷累積，而使得最終識別結果難以滿足實際需求。接下來討論基於深度學習的OCR。

基於深度學習的OCR識別框架

目前，從技術流程上來說，主要分為兩步，首先是檢測出圖像中的文本行，接著進行序列識別。 可見，基於深度學習的OCR識別框架相比於傳統OCR識別框架，減少了三個步驟，降低了因誤差累積對最終識別結果的影響。

文本行檢測，其又可分為水平行文字檢測演算法與傾斜文字行檢測演算法。這里主要介紹下Tian提出演算法CTPN，其演算法框架如下圖。主要思路是將文本行識別看做一個序列識別問題，不同於一般的目標檢測問題，引入RNN來利用上下文的信息。

具體流程為：

用VGG16的5個卷積層得到特徵圖（feature map，W*H*C）；

在Conv5的feature map的每個位置上取3*3*C的窗口的特徵，這些特徵將用於預測該位置k個anchor（anchor的定義和Faster RCNN類似）對應的類別信息，位置信息；

將每一行的所有窗口對應的3*3*C的特徵（W*3*3*C）輸入到RNN（BLSTM）中，得到W*256的輸出；

將RNN的W*256輸入到512維的fc層；

fc層特徵輸入到三個分類或者回歸層中。第二個2k scores 表示的是k個anchor的類別信息（是字元或不是字元）。第一個2k vertical coordinate和第三個k side-refinement是用來回歸k個anchor的位置信息。2k vertical coordinate表示的是bounding box的高度和中心的y軸坐標（可以決定上下邊界），k個side-refinement表示的bounding box的水平平移量。這邊注意，只用了3個參數表示回歸的bounding box，因為這里默認了每個anchor的width是16，且不再變化（VGG16的conv5的stride是16）。回歸出來的box如Fig.1中那些紅色的細長矩形，它們的寬度是一定的；

用簡單的文本線構造演算法，把分類得到的文字的proposal（圖Fig.1（b）中的細長的矩形）合並成文本線。

上圖為給出基於CTPN的例子，框線部分是演算法識別出的文字行，可見在圖片光照不均、人工合成及文字背景對比不明顯的情形下均有很好的效果。 相比於傳統文字定位方法，具有更好的魯棒性及明顯的優勢。

文字行識別。近兩年比較受關注的主要有兩種，一種是CNN+RNN+CTC的方法，另外一種是用attention model+CNN+RNN的方法。這里主要介紹下CNN+RNN+CTC，演算法框架由圖給出。分為三層，CNN層、RNN層及解碼（transcription）層。在CNN層，用於提取圖像特徵，利用Map-to-Sequence表示成特徵向量；在RNN層，用雙向LSTM識別特徵向量，得到每列特徵的概率分布；在解碼層，利用CTC和前向後向演算法求解最優的label序列。因此，該方法能夠識別不定長的文字行。

兩個例子：

Out：遼寧省長海縣廣鹿鄉沙尖

Out：河南省鄧州市九龍鄉姚營

E. 在photoshop中怎麼才能知道背景圖片中的字大小和字體

在photoshop中識別背景圖片的字體可以通過字體菜單下面的"符合字體"選項實現，下面給大家演示一下如何操作：

1、點擊文字下面的"符合字體"選項

F. 如何去除圖片上的文字

英雄介紹六種用PS去除文字的方法，歡迎大家分享使用。一、使用仿製圖章工具去除文字這是比較常用的方法，具體的操作是，選取仿製圖章工具，按住Alt鍵，在無文字區域點擊相似的色彩名圖案采樣，然後在文字區域拖動滑鼠復制以覆蓋文字。要注意的是，采樣點即為復制的起始點。選擇不同的筆刷直徑會影響繪制的范圍，而不同的筆刷硬度會影響繪制區域的邊緣融合效果。二、使用修補工具去除文字如果圖片的背景色彩或圖案比較一致，使用修補工具就比較方便具體操作是：選取修補工具，在公共欄中選擇修補項為「源」，關閉「透明」選項。然後用修補工具框選文字，拖動到無文字區域中色彩或圖案相似的位置，松開滑鼠就完成復制。修補工具具有自動匹配顏色的功能，復制的效果與周圍的色彩較為融合，這是仿製圖章工具所不具備的。三、使用修復畫筆工具去除文字操作的方法與仿製圖章工具相似。按住Alt鍵，在無文字區域點擊相似的色彩或圖案采樣，然後在文字區域拖動滑鼠復制以覆蓋文字，只是修復畫筆工具與修補工具一樣，也具有自動匹配顏色的功能，可根據需要進行選用。四、借圖法某些情況下，框選無文字區域的相似圖形（或圖案），按Ctrl+j鍵將其復製成新的圖層，再利用變形工具將其變形，直接用以覆蓋文字會更為快捷。五、應用消失點濾鏡法對於一些透視效果較強的畫面（如地板），可以應用「消失點」濾鏡進行處理。圖例中的操作方法是，框選要處理的文字區域，（防止選區以外的部分也被覆蓋）執行菜單命令：濾鏡——消失點，進入消失點濾鏡編輯界面。1、選取左邊工具欄中的創建面板工具，由地板磚縫交匯處開始，沿著縫隙，依次點四個點，連成一個有透視效果的矩形。然後拖動其邊線向右方及下方擴展，令面板完全覆蓋文字。2、選取左邊工具欄中的圖章工具，按住Alt鍵點擊選取源圖像點，綠色十字變紅後，在文字區域拖動便完成復制。 六、某些背景色為垂直線性漸變顏色的圖標，有一個方便的方法去除文字。方法是，用矩形選框工具在無文字區域中作一個選區，選區不宜太寬，高度應高於文字。

G. 好用的手機紙質識別文字軟體

這樣的情況下，我便開始尋找一些能轉圖片為文字的方法。這樣，我便不用再自己抄寫圖文案了，直接復制、粘貼轉換後的文字內容就好。迅捷OCR文字識別軟體是我在網上找到的一款工具，用它可以將圖片（用手機拍照紙質文字成圖片）轉換成電子版文字。除了pc版，它還有app版的，我們一起來學習下圖片轉文字方法。
識別紙質文字方法
pc版軟體操作：
對於老師來說，學會ocr文字識別技能還是挺有用處的，很多重要文字信息用它都可直接獲取出來。現在，我們先來講講用電腦怎麼識別圖片為文字。進入軟體首頁，看需要選擇合適的ocr文字識別功能就好，例如快速識別單張圖片為文字功能。
接著，我們便可以把圖文件添加進來軟體啦。這是來自日本的一段美文，現在網上有很多這種只有文案的白底圖片。我使用軟體把它識別後轉換成文字，便發給學生們以積累寫作素材啦。
app版軟體操作：
關於電腦版軟體的操作步驟已經講完啦，我們現在來看看手機app怎麼識別圖片中文字。進入app首頁，選擇【導入圖片】功能，即可把紙質文字拍照圖片給導入進來啦。接著，直接識別圖片就好。
隨時隨地，您有可能需要利用電子郵件迅速發送費用收據、名片或演示文稿幻燈片。即使附近無掃描儀，手機多功能掃描儀 亦可提供解決您問題的完美與便利的解決之道。 手機多功能掃描儀能出色地轉換您的圖像、現有的紙張文檔、白板以及更多，以便創建業界標准 PDF 文檔。管理嚴格的現代社會中，你是否為了各種證件的保存費盡腦筋？繁重忙亂的工作中，你是否被無休止的文件錄入，壓垮了身體？無需擔心，因為你遇見了它，身體、心靈雙重解放的辦公學習神器——CS掃描全能王。
一、表格識別
CS掃描全能王能夠掃描紙質文檔提取文字，形成電子文檔。其功能卻不止於此，同時還可以掃描紙質表格，形成電子表格。
當前各類掃描類APP的表格識別功能，普遍存在識別精度低或難以識別的問題，CS掃描全能王的高精度OCR識別完美避開了這個痛點，在紙質表格識別方面做到了技術領先。識別結果細節清晰，數據完整，邊緣整齊。減少數據錄入的費時費力，從給用戶以最優的表格電子化轉換體驗。
二、手寫識別
在識別內容上，CS掃描全能王不存在嚴重區分。既能識別排版工整的列印文檔，也可以精準識別手寫筆記，避免了因字跡潦草而帶來的識別錯誤問題。識別結果如字跡直接書寫在屏幕上一般真實可辨。
手寫識別功能可以應用在手寫收據掃描傳送、電子簽名、實時分享會議紙質文件等領域在學習資料的掃描、保存手寫筆記，並識別編輯成可分享筆記等方面也擁有高度的可應用性，方便快捷，是工作和學習的好助手。
三、語言識別
CS掃描全能王的另一個超強識別能力就是它能夠精準識別多國語言。不同語言的書寫組織方式之間存在巨大差異，語言識別要求APP對各國語言書寫組織特徵了如指掌，自動規避符號錯誤，完成迅速優質識別。
CS掃描全能王的多國語言識別功能能夠在用戶識別各國語言文件時有效保證文字准確率，高精度的OCR識別功能幫助用戶縮短文稿校對時間，掃描後即可轉換成電子文本，無需再修改由識別不精造成的文字錯誤問題，做到迅速轉換、放心轉換。
CS掃描全能王自問世以來，因其便捷的掃描識別、雲端共享等功能受到了廣泛好評。全方位功能優化的基礎上，CS掃描全能王的高精度OCR識別技術更強化了掃描時的清晰程度、文檔轉換的高質量和演示、展示的便捷度。由精準識別帶來的暢爽體驗，前期關注CS掃描全能王的用戶已經率先了解並體驗過了。現在，CS掃描全能王以更強大的實力和親切的姿態向你走來。在使用之前，讓我們一起細致了解一下它的強大識別功能。

H. 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

I. ocr是什麼意思

OCR是英文optical character recognition的縮寫，意思是：文字識別

OCR（optical character recognition）文字識別是指電子設備（例如掃描儀或數碼相機）檢查紙上列印的字元，然後用字元識別方法將形狀翻譯成計算機文字的過程；即，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。

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。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。

(9)如何高度識別圖片文字擴展閱讀

應用：

OCR文字識別很重要的一個技術參數，就是識別率。就拿身份證識別來舉例子，就會涉及到兩個問題。身份證識別出來的最終目的是要有格式，供直接錄入系統，姓名項、地址項、身份證號項都黏在一起，就沒辦法使用了；

目前身份證識別率能達到98%以上，如果拿通用OCR文字識別來識別，識別率達不到如此高識別率，需要專門針對身份證進行校正優化。所以OCR文字識別根據特殊識別內容，形成了多個產品出來。

同樣身份證識別，項目使用中，方案有分多種，有雲端識別，也可以手機端本地識別。根據應用場景來區分需求。雲端的會涉及到網路延時和流量產生費用等，但微信工作號之類的，只能使用這種方式。手機端本地識別，識別速度快，不會產生流量，也沒有網路延時。