掃描文字識(shí)別拼音,學(xué)拼音最簡(jiǎn)單最快的方法
本文的作者在教育行業(yè)搞OCR識(shí)別工作，教育領(lǐng)域的OCR比較復(fù)雜，除了文字外，還有圖片、表格、公式等等。即便同樣是公式，在數(shù)學(xué)里要斜體，在化學(xué)里要正體，這都是行業(yè)規(guī)范。
本文的讀者是誰(shuí)呢？讀者是……最終誰(shuí)會(huì)讀，我不知道。但是，我定位以下人群為本文的讀者，換句話說(shuō)，我就是寫給他們看的。
很多企業(yè)領(lǐng)導(dǎo)，看到OCR屬于人工智能范疇，很恐懼。哎呀，我們公司的員工，連正常的業(yè)務(wù)邏輯都寫不好，交付個(gè)系統(tǒng)一堆Bug。
現(xiàn)在需要使用OCR功能了，怎么辦？買一個(gè)吧。不買難道自己做嗎？那樣，我還要建一個(gè)人工智能團(tuán)隊(duì)。
這個(gè)情況，還真得具體分析。
我了解到有一家公司，他們的OCR識(shí)別需求非常簡(jiǎn)單：僅僅識(shí)別0到9，共10個(gè)數(shù)字。而且，數(shù)據(jù)來(lái)源單一，保證透明背景純色線條字跡。這種待識(shí)別的樣本，非常規(guī)范。
其實(shí)，隨便找一本圖像識(shí)別的書，翻開(kāi)第一章，幾乎都是在講如何識(shí)別這類數(shù)字，這個(gè)例題已經(jīng)20多年了。這在程序員中，被稱為是Hello World級(jí)別的程序，是入門的第一課，沒(méi)有難度。
甚至谷歌公司覺(jué)得這太簡(jiǎn)單了，以至于人工智能受到了侮辱。于是，他們率先把入門的例子，由10個(gè)數(shù)字，改成了識(shí)別“輪船”、“汽車”、“青蛙”、“小鳥”等10類物體。
但是，這家公司依然以30萬(wàn)一年的價(jià)格，購(gòu)買了一個(gè)識(shí)別數(shù)字的OCR服務(wù)。
這就像是買了輛大巴車，當(dāng)電動(dòng)車來(lái)用，一個(gè)人開(kāi)著它走街串巷，維護(hù)成本高，利用率也低。
因此，我感覺(jué)，領(lǐng)導(dǎo)不需要了解技術(shù)細(xì)節(jié)，但是需要大體了解它的成熟度和行業(yè)狀態(tài)。
本文會(huì)講述做OCR的流程，以及每一步需要的資源支持，以便領(lǐng)導(dǎo)們可以盤點(diǎn)資源，量入為出。
產(chǎn)品經(jīng)理經(jīng)常被開(kāi)發(fā)人員懟。一方面是開(kāi)發(fā)人員性格過(guò)于剛直。另外就是產(chǎn)品經(jīng)理，有時(shí)候確實(shí)不了解實(shí)現(xiàn)過(guò)程就亂提需求：比如，App主題色要隨手機(jī)殼的顏色來(lái)變化。
但是，我也見(jiàn)過(guò)那種開(kāi)發(fā)出身的產(chǎn)品經(jīng)理，他不僅懂產(chǎn)品，也懂技術(shù)。
他經(jīng)常把開(kāi)發(fā)人員懟得一愣一愣的：怎么實(shí)現(xiàn)不了？這邊有數(shù)據(jù)，那邊也有，做一個(gè)關(guān)聯(lián)，查詢時(shí)別不加限制，那樣太慢！
開(kāi)發(fā)人員則紅著臉，遇到新需求時(shí)，先自己百度一下，做完了功課再去找這個(gè)產(chǎn)品經(jīng)理辯論。最后，開(kāi)發(fā)人員沮喪著回來(lái)，百度也不靠譜啊，原來(lái)是有實(shí)現(xiàn)思路的！
因此，我感覺(jué)產(chǎn)品經(jīng)理需要了解技術(shù)的實(shí)現(xiàn)過(guò)程，以便在關(guān)鍵節(jié)點(diǎn)上，可以提出產(chǎn)品側(cè)的更優(yōu)方案。
本文會(huì)講述實(shí)現(xiàn)OCR需要幾個(gè)步驟，以及每個(gè)步驟的關(guān)鍵點(diǎn)是什么。我覺(jué)得產(chǎn)品經(jīng)理有必要看。
有人覺(jué)得OCR好神奇，怎么做到的？我不明白，誰(shuí)來(lái)給我解釋解釋。這是對(duì)此感興趣的求知者。
也有人，非常喜歡圖像識(shí)別，自己想學(xué)，但是經(jīng)常會(huì)被拒之門外。這是懷有滿腔熱情和憤懣的技術(shù)小白。
網(wǎng)絡(luò)上，確實(shí)有很多大牛，博士碩士研究生，但是因?yàn)樗麄兊乃胶芨撸覀兒茈y與他們對(duì)話。我曾經(jīng)被鄙視：一個(gè)傅里葉變換，一句話就可以解釋清楚，你卻寫了幾千字，說(shuō)了一堆廢話。
于是，我認(rèn)識(shí)到“同等對(duì)話”很重要。如果我想要實(shí)現(xiàn)小康家庭的生活，那我去找全球商業(yè)大亨請(qǐng)教，可能起不到什么效果，反而去跟樓下五金店的老板拉拉家常，能有所收益。
現(xiàn)在，我弄明白了OCR識(shí)別。同時(shí)，我也想起之前的迷茫和無(wú)助。現(xiàn)在，或許還存在很多曾經(jīng)的我，我要自己幫一下自己。
本文會(huì)講整個(gè)OCR的完整流程，以及其中的難點(diǎn)和解決方案（思路以及術(shù)語(yǔ)關(guān)鍵詞）。如果你是程序員的話，我在專業(yè)版里，還有代碼詳解。
OCR這個(gè)行業(yè)，如果無(wú)法入門，掉頭就走，一旦入門，愛(ài)不釋手。
好了，前言我說(shuō)完了，也算是導(dǎo)讀，如果覺(jué)得本文適合你，可以繼續(xù)往下看了。
OCR是一個(gè)簡(jiǎn)稱，全稱叫Optical Character Recognition，中文是：光學(xué)字符識(shí)別。
它的本質(zhì)是：把圖像形狀轉(zhuǎn)變?yōu)槲谋咀址?/p>
下面說(shuō)一下，我在教育行業(yè)是如何應(yīng)用OCR的。
信息化教學(xué)越來(lái)越普及，很多教學(xué)素材都要搬到信息化平臺(tái)，比如試卷試題。那么，紙質(zhì)的試卷要電子化，就會(huì)用到OCR識(shí)別技術(shù)。
這么一張圖，需要識(shí)別成結(jié)構(gòu)化（圖片、文字、公式、表格可獨(dú)立提取出來(lái)）的數(shù)據(jù)，識(shí)別結(jié)果如下所示：
而且，識(shí)別結(jié)果還可以下載成word文檔，便于老師校對(duì)并進(jìn)行二次編輯：
這就是OCR的一個(gè)典型應(yīng)用。
除此之外，我們常見(jiàn)的各種證件識(shí)別、名片識(shí)別、車牌識(shí)別等，也涉及OCR技術(shù)。
我在入門OCR的時(shí)候，做過(guò)一個(gè)小功能，我把它作為一次學(xué)習(xí)總結(jié)和畢業(yè)小考，效果如下：
上面這個(gè)例子，在github上已經(jīng)完全開(kāi)源。此例子基本囊括了OCR的全過(guò)程，下面我就以它作為樣板，來(lái)講一講OCR的全流程。
OCR技術(shù)的實(shí)現(xiàn)，總體上可以分為五步：預(yù)處理圖片、切割字符、識(shí)別字符、恢復(fù)版面、后處理文字。
中間的三步是核心，頭尾兩步最難。
我們買回來(lái)水果，需要洗一下再吃。如果運(yùn)氣不好的話，還需要挖掉蟲眼和糙皮才能吃。我們把吃水果前的這些步驟，叫做CSG（吃水果）的預(yù)處理。
在進(jìn)行OCR之前，也需要對(duì)圖片進(jìn)行預(yù)處理。因?yàn)椋话愦R(shí)別的圖片千奇百怪，來(lái)源復(fù)雜：有拍照、有掃描、有截圖。
拿拍照來(lái)說(shuō)，有夏至那天中午頭兒，在陽(yáng)光直射下拍的；也有人在傍晚，拿著大頂轉(zhuǎn)著圈兒拍的。如果不進(jìn)行預(yù)處理，OCR會(huì)很為難，就像你面對(duì)剛從糞池里撈上來(lái)的大棗一樣為難。
一般情況下，我們定義白色為背景，黑色為字體。
但是，如果圖片上有了光影，就會(huì)存在模糊狀態(tài)。說(shuō)它是背景吧，它不是白色的。要說(shuō)它是文字吧，黑乎乎地一片兒，也認(rèn)不出來(lái)有什么字符。這導(dǎo)致OCR經(jīng)常人格分裂，這是……這不是……它是不是呢？智能出現(xiàn)了問(wèn)題，人工一看，我給做個(gè)預(yù)處理吧，交給你的時(shí)候保證非黑即白，你專心做事就行。OCR很感動(dòng)。
理想條件下的文檔圖像，應(yīng)該是水平的，這樣方便切割方塊字。
但是，現(xiàn)實(shí)世界中，不管是人，還是素材，都很難擺正自己的位置。
不正，切起來(lái)就復(fù)雜了。治圖，如同治人，需要分門別類（強(qiáng)制升華文章格調(diào)）。
上面這種傾斜最為常見(jiàn)，處理起來(lái)也最簡(jiǎn)單。只需要幾句代碼就能搞定，我會(huì)在以后專門介紹。基本原理就是找到文本的最小面積矩形(關(guān)鍵詞：minAreaRect)，然后旋轉(zhuǎn)這個(gè)矩形，實(shí)現(xiàn)角度矯正，看下面這個(gè)動(dòng)態(tài)圖。
但是，這種方法有時(shí)候也不靈，比如下面這張圖。
我們現(xiàn)在框一個(gè)矩形，完美！
我們?cè)侔丫匦螖[正，完蛋！
這種傾斜，無(wú)論怎么擺矩形都不行，因?yàn)榫匦螀^(qū)域內(nèi)的文字又有傾斜！
這時(shí)候，就需要用另一種方法，叫做霍夫線變換(關(guān)鍵詞：HoughLinesP。有時(shí)候搜索一個(gè)問(wèn)題，都不知道該搜啥，此處我提供了關(guān)鍵詞，其解決方案可直達(dá)靈魂)。
霍夫線變換就是在圖上找直線，因?yàn)閳D中的若干點(diǎn)，是可構(gòu)成一條直線的。把這些直線畫出來(lái)，你會(huì)發(fā)現(xiàn)玄機(jī)，看下面的動(dòng)態(tài)圖。
一段若干行的文本，每一行的字都應(yīng)該是在一條直線上的。
從結(jié)果倒推過(guò)程，如果找到了一行直線，那么是不是就找到了一個(gè)文本行。
當(dāng)把這些直線擺正時(shí)，就實(shí)現(xiàn)了文檔的矯正。看下面的動(dòng)態(tài)圖。
上面講的是平面的角度傾斜，此類情況在復(fù)印和掃描中較多（紙張放斜了）。
這不算嚴(yán)重，頂多就如同用涼水泡方便面，問(wèn)題不大。
其實(shí)，我們遇到更多的圖像是照片。拍照，問(wèn)題就多了，會(huì)存在空間的扭曲。看下面的動(dòng)態(tài)圖（圖是動(dòng)態(tài)的，如果不是，等一等，或者你遇到盜版的作者了，正版作者是ITF男孩）。
上面的圖，問(wèn)題就比較嚴(yán)重了，就如同用煤油泡方便面，還非得讓別人吃，這叫扭曲。
空間的扭曲，體現(xiàn)在視覺(jué)上就是遠(yuǎn)大近小。
我們來(lái)矯正下面這張圖，這張圖應(yīng)該是站在長(zhǎng)城上拍的長(zhǎng)廊，越遠(yuǎn)越小。
肯定能矯正，就是步驟有點(diǎn)多。但是，換算成代碼，也不會(huì)超過(guò)100行。下面這張動(dòng)態(tài)圖里，我把每一步對(duì)圖片處理的方法也都列上了。總共9步，每一步都可以單拉出一篇文章來(lái)講解（寫到這里，我想出視頻教程了，給我點(diǎn)贊，鼓勵(lì)我）。
上面的2.1章節(jié)部分，講的都是最基礎(chǔ)的預(yù)處理操作。
如果你的圖片來(lái)源很復(fù)雜，尤其是包含各種場(chǎng)景下的拍照，或者也有從漫山遍野撿來(lái)的野生圖片、二手改裝圖片。那么，你的預(yù)處理工作將會(huì)比較費(fèi)勁，沒(méi)有難點(diǎn)，但是需要耗費(fèi)人力物力，需要時(shí)間。
如果，你的圖片來(lái)源很簡(jiǎn)單。就像我開(kāi)頭講的，0到9數(shù)字識(shí)別還購(gòu)買OCR服務(wù)的例子。他們公司是用電子采集筆在電子方格上寫數(shù)字，電子方格是統(tǒng)一的，筆是統(tǒng)一的，樣本非常標(biāo)準(zhǔn)。這種情況，不需要預(yù)處理，直接進(jìn)入下一步，切割字符（媽呀，這個(gè)轉(zhuǎn)場(chǎng)，太絲滑了）。
假設(shè)，通過(guò)了預(yù)處理，我們的圖片都變成像下圖這樣規(guī)范。
我忽然想到，我們是要做OCR字符識(shí)別的（你……干啥來(lái)的）。
于是，我們需要切割字符，把每一個(gè)字……都給他（咬著牙，發(fā)狠的表情）……挖出來(lái)。
為什么要把每個(gè)字符都切割出來(lái)？因?yàn)镺CR最終是對(duì)單個(gè)字符進(jìn)行識(shí)別的（識(shí)別26，其實(shí)是識(shí)別“2”和“6”）。
并且，還需要對(duì)每個(gè)字符做好標(biāo)記，因?yàn)樽R(shí)別完了，還得還原回去。識(shí)別完了，結(jié)果是一堆單蹦的“1”、“2”、“3”、“+”、“-”字符。我們需要根據(jù)它們的相對(duì)位置，還原成“8-7=1”。所以，我們就知道了，哪個(gè)題目做對(duì)了，做錯(cuò)了，從而給出批改結(jié)果。
上帝說(shuō)要有光，就有了光。如果有姓尚的朋友，可以給孩子起名叫：尚有光。
有光以后，當(dāng)光投過(guò)來(lái)時(shí)，物體的背后就有了影。有影子的地方就有實(shí)體，沒(méi)影子的地方就有空隙。
那位說(shuō)了（我也不知道哪位），你扯這些干什么？這是三歲小孩子都懂的常識(shí)。
沒(méi)錯(cuò)，三歲小孩子都知道。但是三十歲的大孩子不一定能想到，這個(gè)常識(shí)可以用來(lái)分割字符。
假設(shè)我們拿著一根頭發(fā)絲兒，橫著收集像素點(diǎn)，從左側(cè)插入，從右側(cè)推出。把所有黑點(diǎn)都?jí)嚎s到一起，把黑色素……嗯，黑色素堆到最右側(cè)。就像下面的圖這樣。
此時(shí)，我們就能清楚地知道哪個(gè)區(qū)域是有文字的行，哪個(gè)區(qū)域是白紙。這個(gè)價(jià)值兩百五的操作，可以實(shí)現(xiàn)行的切分。
這一招就是投影大法，三歲孩子都了解。
切行是橫著切，切列就得豎著切了。
一定要先切行，再切列。多數(shù)情況，行是有行距的，每一行都會(huì)有明顯的界限。但是列……如果把整個(gè)文檔做投影的話，基本上就淪陷了。
上面那樣做投影，拆不出單個(gè)字符。因?yàn)橐黄臋n的字，就像城墻一樣，磨磚對(duì)縫，無(wú)法切分。
但是，換成對(duì)一行文本進(jìn)行投影分析，就可以了。看下面這個(gè)圖，非常之清晰。
通過(guò)投影之間的間隙，我們就可以把每個(gè)字符切割開(kāi)來(lái)。
有了行與列切分的方法，相信把字符切出來(lái)，應(yīng)該是不難的。其實(shí)就是很簡(jiǎn)單，代碼也不復(fù)雜。全都是數(shù)組的分析。
那么切出來(lái)的字，最終是這樣。
不是白紙黑字嗎？為什么都變成了黑底白字呢？
其實(shí)，這是故意的。為的就是要方便OCR進(jìn)行識(shí)別。我們都知道（也可能不知道），在RGB色值中，0代表黑色，255代表白色。
不管計(jì)算機(jī)的算力多么強(qiáng)大，一秒鐘能運(yùn)算多少億萬(wàn)次，它的底層還是二進(jìn)制，也就是101010。你可以簡(jiǎn)單地理解成它只認(rèn)識(shí)數(shù)字。你看到字母A是A，計(jì)算機(jī)沒(méi)有你那么厲害，計(jì)算機(jī)偷偷地在顯示器上輸出A這個(gè)圖案，然后心里暗自記下這個(gè)物體是65。
因此，任何文本、圖片、音視頻，最終都要被解析成數(shù)字，這樣計(jì)算機(jī)才能干活。
扯這些有什么用？你在逃避什么？黑白顛倒的問(wèn)題呢？
別急，馬上。我們希望計(jì)算機(jī)識(shí)別圖片上的字，而不是背景。所以，把背景置為黑色，也就0，把字符變成白色，也就是255，這樣有利于計(jì)算機(jī)更專注于分析字符的痕跡。因?yàn)椋?默認(rèn)是忽略掉的。
你看，說(shuō)著說(shuō)著，就談到了人工智能的機(jī)器學(xué)習(xí)。哈哈，又轉(zhuǎn)場(chǎng)了，真爽。
圖片究竟是怎么變?yōu)樽址模克€能自己學(xué)習(xí)。
計(jì)算機(jī)通過(guò)學(xué)習(xí)一些樣本之后，遇到一些從未遇到過(guò)的同類樣本，也能正確地識(shí)別出結(jié)果，這很神奇。我想了一夜也沒(méi)想明白。
第二天，我?guī)е⒆尤ス珗@，公園門口有一對(duì)大獅子。孩子指著獅子說(shuō)，狗！我說(shuō)，哦，那不是狗，那是獅子，跟狗有點(diǎn)像是不是。又走了一段路，公園里又出現(xiàn)一個(gè)麒麟的雕塑。孩子指著它說(shuō)，獅子！我說(shuō)，那不是獅子。孩子說(shuō)，是狗。我說(shuō)也不是狗，它叫：麒麟。我感覺(jué)到，孩子的大腦在反向矯正信息，這就是監(jiān)督學(xué)習(xí)。
當(dāng)我給他看狗的圖片時(shí)，我告訴她這是狗。
她根據(jù)自己的認(rèn)知，找了幾個(gè)特征，構(gòu)建了一個(gè)模型：長(zhǎng)嘴+尖牙=狗。
雖然只是看過(guò)圖片，但是出門遇到真狗，她根據(jù)這個(gè)模型也認(rèn)識(shí)對(duì)了。
后來(lái)，她遇到了獅子，她修改了模型：長(zhǎng)嘴+尖牙+鬃毛≠狗=獅子。
后來(lái)，又遇到了麒麟，這個(gè)公式變得越來(lái)越復(fù)雜……決策項(xiàng)越來(lái)越多。
人工智能，就是模擬的人類的神經(jīng)元，構(gòu)建神經(jīng)網(wǎng)絡(luò)來(lái)嘗試尋找特征和結(jié)果的關(guān)系。如果對(duì)了，就給這個(gè)特征加分。如果，錯(cuò)了，就給這個(gè)特征減分。
識(shí)別數(shù)字，也是一樣。
比如在學(xué)習(xí)識(shí)別數(shù)字6的時(shí)候，它隨機(jī)認(rèn)為只要有一個(gè)圈圈特征，就是數(shù)字6。
驗(yàn)證其他樣本時(shí)，發(fā)現(xiàn)這個(gè)隨機(jī)特征是對(duì)的（不對(duì)就再換一個(gè)特征再試）。于是，它建立了一個(gè)模型：只要有圈這個(gè)特征，就是6。
后來(lái)，這個(gè)模型遇到了數(shù)字0。加入新樣本后，人工智能發(fā)現(xiàn)，0也有圈，但它不是6，也有可能是0。得再找一個(gè)特征，于是，新增一條，有勾就是6。后來(lái)，它又遇到了9。那勾在上面的就是6。后來(lái)，它又遇到了字母b……反正計(jì)算機(jī)有的是算力，能在很短的時(shí)間內(nèi)完成這些學(xué)習(xí)。上面我是摟著說(shuō)的，其實(shí)即便在32*32像素的小圖片上，它隨機(jī)上幾十個(gè)特征去做驗(yàn)證，一點(diǎn)都不吃力。
這就是識(shí)別字符的原理。具體到代碼，也很簡(jiǎn)單，因?yàn)槿斯ぶ悄芸蚣苣壳耙呀?jīng)非常成熟。雖然，這篇是科普版，不是專業(yè)版，不適合講代碼，但是我還是非常想貼上一段代碼，給大家看看。打破你的認(rèn)知，人工智能的應(yīng)用層很簡(jiǎn)單，別被忽悠了。
舉個(gè)例子，識(shí)別10類常見(jiàn)物體：飛機(jī)、自行車、鳥，貓，鹿、狗、青蛙、馬、輪船、汽車。
它的核心代碼只有……6行。
所以，OCR字符的識(shí)別從來(lái)不難。難的是兩頭，比如開(kāi)頭的預(yù)處理，以及下面要說(shuō)的后處理。
識(shí)別出了字符，意義不大，有效地連接起來(lái)才能發(fā)揮作用。
一定要記住我上面說(shuō)的這句話，默讀3遍以上。
其實(shí)，這句話沒(méi)啥用，只是有助于緩解緊張的氣氛！
對(duì)于類似的話，我認(rèn)為是廢話，因?yàn)闆](méi)有任何指導(dǎo)意義，但是說(shuō)的也沒(méi)錯(cuò)。
可能有人會(huì)覺(jué)得，我接下來(lái)講的會(huì)比較跳躍，有點(diǎn)作者著急去廁所的感覺(jué)。這并不是什么寫作風(fēng)格，這篇文章我快寫吐了，很想快點(diǎn)結(jié)束。或許我該搞一個(gè)系列專題，我比較喜歡講述體系化的東西，不喜歡一次冒一個(gè)點(diǎn)，那樣對(duì)別人沒(méi)有什么深度價(jià)值。
也可能有人覺(jué)得，版面還原不難（是的，進(jìn)入正題了），字符我都拆開(kāi)了，坐標(biāo)也記錄了，把識(shí)別的字符畫上，不就還原了？！
沒(méi)錯(cuò)，說(shuō)的很對(duì)，把識(shí)別的結(jié)果畫上去，視覺(jué)上是還原了。
但是，這依然屬于單個(gè)字符識(shí)別的那一步，只不過(guò)做成了結(jié)果可視化，是坐標(biāo)還原，并不是版面還原。
我們期望的拆分和還原應(yīng)該是下面這樣：
“10+2= 4-3= 5+6=11”這些文本從數(shù)據(jù)結(jié)構(gòu)上應(yīng)該是一行。而且，“10+2=”從數(shù)據(jù)結(jié)構(gòu)上是一個(gè)基本單位。因?yàn)椋覀円獙?duì)基本單位做運(yùn)算和批改。這才叫還原，其實(shí)并不簡(jiǎn)單。
有點(diǎn)震驚，我拆字的時(shí)候，沒(méi)有人跟我要求過(guò)這些規(guī)則。
舉個(gè)小例子，這個(gè)例子非常小，假設(shè)你識(shí)別出來(lái)了2個(gè)字，你現(xiàn)在有2個(gè)字符的數(shù)據(jù)：
請(qǐng)問(wèn)，這兩個(gè)字，是不是在處于同一行？
你通過(guò)肉眼無(wú)法判定，得計(jì)算。
這就需要你用代碼編寫算法處理。如果你數(shù)學(xué)不好，那可能還真的是一個(gè)不小的挑戰(zhàn)。從圖上看，你的眼睛可能幾毫秒就識(shí)別出來(lái)了，但是計(jì)算機(jī)沒(méi)有眼睛，只有大腦。它就等著你告訴它要怎么去算什么數(shù)據(jù)。
其實(shí)也好處理（話都讓你說(shuō)了，難也是你說(shuō)的），看兩個(gè)字在Y軸的重疊情況。如果重疊達(dá)到一定占比，那就可以認(rèn)為這兩組數(shù)據(jù)是處于同一行。
其實(shí)字符與字符之間的關(guān)系還有很多情況。
根據(jù)情況的不同，我們就可以做不同的判定。
上圖所示，如果文本1的矩形區(qū)域和公式1的矩形區(qū)域，在橫向上有一定比例的重疊，那我們可以認(rèn)為，它們是處于同一行。如果文本2的區(qū)域完全包含（重疊率100%）于表格1的區(qū)域中，那么我們可以認(rèn)為文本2屬于表格1。同樣，文本2和文本3在縱向的重疊率，可以作為它倆是否位于同一列的一個(gè)指標(biāo)。
OCR識(shí)別的最終目的，是要獲得一份準(zhǔn)確的、結(jié)構(gòu)化的文本內(nèi)容。
單個(gè)字符識(shí)別，其實(shí)是各自為戰(zhàn)，前后不商量。
就比如，遇到一個(gè)圓圈形狀的字符圖片。OCR識(shí)別就犯了難，它是數(shù)字“0”？漢字“〇”？大寫字母“O”？小寫字母“o”？中文句號(hào)“。”？還是“Q”忘了加尾巴……。
啥都對(duì)，啥都不對(duì)。
所以，需要矯正……校正。這兩個(gè)詞，都是高頻詞，尤其拼音打字jiaozheng，容易出錯(cuò)。其實(shí)，也好分辨。看語(yǔ)境，如果我前后提到了“文稿”，那么是“校正”的可能性就大。如果我剛剛說(shuō)了“牙齒”、“視力”、“角度”啥的，那么基本上就應(yīng)該是“矯正”了。
OCR識(shí)別的最后一步校正也是一樣。如果無(wú)法確定是數(shù)字“0”還是字母“o”，可以觀察它相鄰的幾個(gè)字符，下面一圖勝千言。
單個(gè)字符識(shí)別不對(duì)沒(méi)關(guān)系，后期智能校正可以結(jié)合語(yǔ)境來(lái)幫你糾正。這個(gè)步驟就叫做后處理。
我想，OCR流程介紹的差不多了。下面該總結(jié)了。
其實(shí)，我已經(jīng)迫不及待地想睡覺(jué)了。但是，睡覺(jué)前，我還是想輸出幾個(gè)觀點(diǎn)。
需要企業(yè)領(lǐng)導(dǎo)視自身業(yè)務(wù)需求和研發(fā)能力來(lái)確定。
通過(guò)上面的流程講解，其實(shí)我們也了解到，做OCR并不難，這在業(yè)界已經(jīng)非常成熟了。如果，你的業(yè)務(wù)需求很單一，另外也有一兩個(gè)喜歡研究技術(shù)的程序員（三年經(jīng)驗(yàn)起），其實(shí)可以投入幾個(gè)人、幾個(gè)月搞一搞試試看效果。就算不成功，起碼他們?cè)俑谌綄?duì)接起來(lái)，也屬于專業(yè)級(jí)別了。
那么，如果你的業(yè)務(wù)需求復(fù)雜多樣，是不是就要用第三方服務(wù)了。也不一定，需求太復(fù)雜，通用的第三方平臺(tái)，不一定能滿足你的個(gè)性化需求。我之前遇到過(guò)一個(gè)例子，也是在教育行業(yè)。他們有一個(gè)場(chǎng)景是用在填空題手寫答案上。一般的手寫識(shí)別，你就算寫的80%正確，它會(huì)給你智能糾正，輸出字符。但是，教育行業(yè)不行，寫錯(cuò)了就是寫錯(cuò)了，不要糾正。比如，武術(shù)的“武”，學(xué)生如果右下角寫成了“戈”那樣多了一撇，不要輸出“武”，要輸出不是字，并記錄下學(xué)生的錯(cuò)字圖片。這一下，沒(méi)有一家平臺(tái)可以對(duì)接。其實(shí)，自己研發(fā)是可以做到的。但是，研發(fā)這玩意有什么用？只有自己用。
如果業(yè)務(wù)比較通用，且第三方費(fèi)用不是很高的情況下，可以考慮購(gòu)買服務(wù)。其實(shí)，不管是個(gè)人生活還是企業(yè)運(yùn)轉(zhuǎn)，總歸都是要考慮成本的控制。最終都是資金限制了一切。所以，我說(shuō)多少都是白扯。那種說(shuō)，我有錢，但是找不到人才的老板，請(qǐng)聯(lián)系我。
我認(rèn)為是數(shù)據(jù)。
現(xiàn)今而言，瓶頸已經(jīng)不是技術(shù)了，數(shù)據(jù)量決定識(shí)別率。短期內(nèi)，技術(shù)沒(méi)有太多可提高的空間了。剩余的就是拼數(shù)據(jù)量。
很多人覺(jué)得人工智能不智能，甚至智障。其實(shí)，有一部分原因就是訓(xùn)練數(shù)據(jù)太少。就拿智能問(wèn)答來(lái)說(shuō)，很多人問(wèn)的問(wèn)題，人工智能回答不好。原因就是，你問(wèn)的這些問(wèn)題它從來(lái)沒(méi)有接觸過(guò)。
就像我和孩子去公園的例子，我一直給她看狗的圖像，突然問(wèn)她麒麟是什么，她會(huì)從狗的答案里去找類似的應(yīng)對(duì)。
我還是拿教育行業(yè)舉例（我熟啊），如果我們拿一本魯教版七年級(jí)地理上冊(cè)，交給人工智能學(xué)習(xí)。如果它學(xué)完了，你問(wèn)它書本上的知識(shí)，它絕對(duì)是回答準(zhǔn)確。但是，你如果問(wèn)它七年級(jí)下冊(cè)的，它估計(jì)就蒙了。更何況，還有八年級(jí)、九年級(jí)呢？更何況學(xué)科還有物理、化學(xué)、生物呢？更何況，我們生活化的對(duì)話場(chǎng)景，不會(huì)出現(xiàn)在課本里呢！想讓它聰明，得多少數(shù)據(jù)，誰(shuí)又有這些數(shù)據(jù)？！
OCR也是一樣。識(shí)別那一塊兒，大人寫的字和小孩寫的字，是有差別的，想要識(shí)別準(zhǔn)確，肯定是樣本越多越準(zhǔn)確。后處理校正那一塊兒，無(wú)他，只能是見(jiàn)多了才能識(shí)廣。
有人說(shuō)，你講總結(jié)，最好不要超過(guò)三條，多了記不住。
但是，如果不夠3條呢？也不用湊。
本文寫了不少。是否對(duì)大家有幫助，現(xiàn)在還不好說(shuō)。這得看大家的反饋了。
我曾經(jīng)寫過(guò)一個(gè)Android開(kāi)發(fā)的專欄。
但是，大家對(duì)于Android開(kāi)發(fā)其實(shí)并不看好，閱讀量少，而且大家也嘲諷現(xiàn)在居然還有人學(xué)Android。那我寫這個(gè)專欄，其實(shí)幫不到很多人。也就是，沒(méi)有需求。那我完全可以投入同等精力，去寫另一個(gè)受眾更廣的專欄。
對(duì)于OCR相關(guān)的題材，我有知識(shí)儲(chǔ)備，包括github也開(kāi)源了上面的自動(dòng)批改項(xiàng)目。至于大家是否有需求，這個(gè)是無(wú)法預(yù)測(cè)的。我也會(huì)根據(jù)文章的閱讀和互動(dòng)情況，調(diào)整后續(xù)的內(nèi)容輸出。
是再出一篇專業(yè)版文章，還是出一系列專題，或者是不再更新。也希望大家給我一些反饋。
本文作者頭條—ITF男孩 @ITF男孩，禁止以二次發(fā)布的形式轉(zhuǎn)載，侵權(quán)必究。
