圖片文字識別技術

A. 用什麼軟體能夠把圖片里的文字識別出來

可以使用QQ軟體識別，方法如下：

1、首先在手機上找到並打開QQAPP客戶端。

B. 將圖片裡面的文字獲取出來的技術簡稱

OCR技術
從圖片中提取文字，使用OCR技術便可以實現了。比如雲脈的文檔識別軟體，只需將圖片導入到系統中，在系統上進行適當的裁切美化，隨後點擊識別，便可以將圖片文字轉化成可編輯的文字信息了。OCR（OpticalCharacterRecognition，光學字元識別）技術是指電子設備檢查紙上列印的字元，通過檢測暗、亮的模式確定其形狀，然後用字元識別方法將形狀翻譯成計算機文字的過程；即，針對印刷體字元，採用光學的方式將紙質文檔中的文字轉換成為黑白點陣的圖像文件，並通過識別軟體將圖像中的文字轉換成文本格式，供文字處理軟體進一步編輯加工的技術。
比如廈門雲脈公司基於成熟的OCR技術，推出了文檔識別、身份證識別、票據識別、名片識別、銀行卡識別、車牌識別等OCR識別應用......

C. ocr文字識別

ocr文字識別意思是光學字元識別技術。

OCR全稱是Optical Character Recognition，是最為常見的、也是目前最高效的文字掃描技術，它可以從圖片或者PDF中識別和提取其中的文字內容，輸出文本文檔，方便驗證用戶信息，或者直接進行內容編輯。

典型的OCR技術路線分為5個大的步驟，分別是輸入、圖像與處理、文字檢測、文本識別，及輸出。每個過程都需要演算法的深度配合，因此從技術底層來講，從圖片到文字輸出，要經歷一些過程。

ocr技術過程

圖像輸入，讀取不同圖像格式文件。

圖像預處理，主要包括圖像二值化，雜訊去除，傾斜校正等。

版面分析，將文檔圖片分段落，分行。

字元切割，處理因字元粘連、斷筆造成字元難以簡單切割的問題。

字元特徵提取，對字元圖像提取多維特徵。

字元識別，將當前字元提取的特徵向量與特徵模板庫進行模板粗分類和模板細匹配，識別出字元。

版面恢復，識別原文檔的排版，按原排版格式將識別結果輸出到文本文檔。

後處理校正，根據特定的語言上下文的關系，對識別結果進行校正。

D. 什麼軟體可以把圖片上的字(韓文)掃描出來或者翻譯出來也行

可以使用【有道翻譯】這款軟體進行拍照識別，有道翻譯的具體操作步驟如下：

1.首先打開已經下載安裝好的【有道翻譯】翻譯軟體，在軟體的首頁點擊【拍譯】。

E. 如何把圖片上的文字識別出來

識別圖片上的文字，需要用到OCR文字技術以及相關的軟體。
參考工具：漢王數字OCR文字識別軟體
識別步驟：
1、電腦中下載安裝好OCR文字識別軟體；
2、打開OCR文字識別軟體，並打開需要識別的圖片；
3、設置文件類型：身份證、圖片、PDF、駕照等等；
4、紙面解析，如解析有誤，可以手動調整識別區域；
5、識別——等待。
注意事項：
任何一款ocr文字識別軟體都不能夠保證一定的識別，最終的識別效果與圖片文件、工具都息息相關！上述軟體僅供參考！

F. 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

G. 圖片文字識別有哪些方法可以實現

圖片上的文字識別，可以選擇使用一些便簽軟體來識別，比如可使用敬業簽。

1. 敬業簽在創建待辦事項時，可以通過圖片識別文字的方式來識別圖片上的文字；

2. 識別出來的文本內容，可以在便簽上設定單次定時、周期循環、重要事項間隔時間提醒；

3. 敬業簽上通過圖片識別的文字保存以後，可以在Windows電腦、安卓手機、蘋果手機、iPad和網頁端多端同步。
   

H. 圖片文字識別的技術

圖片文字識別技術，都是採用OCR文字識別軟體進行的：

打開OCR文字識別軟體，點擊上方的「快速識別」功能。