章 安，馬明棟

(1.南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003; 2.南京郵電大學(xué) 地理與生物信息學(xué)院，江蘇 南京 210003)

0 引 言

1929年德國科學(xué)家Tausheck提出了OCR的概念[1]，通過對圖像像素點的分割，與字符庫對照，獲取最近似的計算機(jī)文字。最初的OCR技術(shù)目的在于信息化處理大量的印刷品，例如報刊雜志、文件資料和其他文字材料，進(jìn)而開始了西文OCR技術(shù)的研究，以便代替人工鍵盤輸入[2]。隨著時間的推移，科技公司的不懈努力以及計算機(jī)技術(shù)的飛速發(fā)展，西文OCR技術(shù)現(xiàn)已廣泛應(yīng)用于各個領(lǐng)域，實現(xiàn)了“電子化”信息處理。

國內(nèi)對于印刷體漢字識別的研究從20世紀(jì)70年代末起步[3]，至今己有近四十年的發(fā)展歷史。從最開始對數(shù)字、英文、符號識別的研究，到對漢字識別進(jìn)行了探索，80年代后期，大量研究人員鉆研其中，漢字識別技術(shù)也趨于實用化[4]。如今市場上的OCR識別平臺層出不窮，最常見的百度、華為和騰訊等公司都提供了文字識別云平臺，在所需的環(huán)境之下，調(diào)用其提供的在線接口，便可以實現(xiàn)文字的識別。

Tesseract是一個開源OCR庫，源碼存在于github上?；谄溟_源的特性，可以添加接口，豐富其功能。支持Tesseract的Leptonica組件有著優(yōu)越的圖像分析性能，保證了文字識別的精度。除此之外，Tesseract還具有多平臺的可移植性，擁有龐大的Unicode字符識別庫。

識別是智能的基礎(chǔ)[5]，目前互聯(lián)網(wǎng)技術(shù)迅速發(fā)展，在AI(artificial intelligence，人工智能)技術(shù)的需求之下，OCR技術(shù)成為了不可忽略的部分，通過文字的識別，提高了各行各業(yè)的生產(chǎn)效率。

1 文字識別流程

文字識別通常有兩種形式，手寫體與印刷體[6]。對于印刷體而言，研究結(jié)果相對成熟，而手寫體更為復(fù)雜，該文的討論范圍僅在于印刷體的文字識別。

文字識別通常包括以下流程：

(1)預(yù)處理：預(yù)處理操作在圖像識別之前。已采集的圖像質(zhì)量受多方面因素影響，圖像的亮暗、印刷體質(zhì)量、污點或陰影都是干擾識別的因素。預(yù)處理主要是對圖像進(jìn)行處理，將圖像灰度化以及二值化，進(jìn)而對圖像的傾斜、邊框等問題進(jìn)行處理，使得文字規(guī)范，圖像平滑，從而有利于接下來的處理操作[7]。

(2)版面分析：版面分析主要處理文本圖像的不同部分，分析圖像中不同類型文本，例如標(biāo)題或是正文，插圖或是表格，從而獲取文章邏輯結(jié)構(gòu)，包括各區(qū)域的邏輯屬性、文章的層次關(guān)系和閱讀順序。最后根據(jù)版面分析和文字的結(jié)果，進(jìn)行版面重構(gòu)。

(3)圖像切分：識別是單個文字的識別，因而必須對圖像進(jìn)行行列切分。印刷體文字圖像行列間距、字間距大致相等，簡化了處理方法。

(4)特征提取與模型訓(xùn)練：通過深度學(xué)習(xí)框架，對文字識別進(jìn)行特征提取和模型訓(xùn)練，提高了識別的有效性和可靠性。

(5)識別后處理：識別后處理通常包括版面的重構(gòu)和識別的校正，對原圖像版面的恢復(fù)以及不同語言模型的校正[8]。

通過以上流程，計算機(jī)通過輸入的圖像，分析并識別文字，同時保存于硬件中。識別流程不包括圖像的采集、最終圖像的輸出，這類工作由其他硬件實現(xiàn)。

2 圖像預(yù)處理

預(yù)處理是文字識別的重要一環(huán)，預(yù)處理對圖像質(zhì)量的提升起到了關(guān)鍵作用。預(yù)處理通常包括灰度化、二值化、傾斜校正和噪聲消除[9]，該文實現(xiàn)了以下幾個預(yù)處理方法，為Tesseract文字識別做好準(zhǔn)備。

2.1 圖像縮放

Tesseract處理圖像的DPI(dots per inch，每英寸點像素數(shù))默認(rèn)為300 DPI，因而對于DPI不足的圖片，需要進(jìn)行縮放處理。常用的縮放算法有最近鄰算法(最近鄰插值)、雙線性插值算法以及更為復(fù)雜的三次插值算法[10]，三種算法的精度不一。基于文字識別的精度要求，該文實現(xiàn)了雙線性插值圖像縮放算法。

在離散數(shù)學(xué)中，插值是指在離散數(shù)據(jù)的基礎(chǔ)上補(bǔ)差連續(xù)函數(shù)[11]，使得該連續(xù)曲線通過全部給定的離散數(shù)據(jù)點，關(guān)鍵在于恢復(fù)曲線的連續(xù)與平滑。與之類似，圖像基本構(gòu)成是有限像素集，在圖像縮放的過程中，需要對圖像進(jìn)行像素的插入(放大)或是疊加(縮小)。

圖像縮放的過程中，原圖像與輸出圖像具有一定的映射關(guān)系：

Y(x'+u,y'+v)=X(x,y)=X(h1(x,y),h2(x,y))

(1)

其中，X(x,y)表示輸入圖像，Y(x'+u,y'+v)表示輸出圖像，h1和h2表示映射函數(shù)。轉(zhuǎn)換之后可能出現(xiàn)小數(shù)的情況，令x'和y'作為坐標(biāo)的整數(shù)部分，u和v作為小數(shù)部分。

圖1 雙線性插值示意

如圖1所示，取轉(zhuǎn)換點四個領(lǐng)域整數(shù)位置點(x',y')，(x',y'+1)，(x'+1,y')，(x'+1,y'+1)。設(shè)RGB滿足函數(shù)f(x,y)，則轉(zhuǎn)換之后的點坐標(biāo)中的RGB值為：

f(x,y)=f(x'+u,y'+v)

(2)

f(x'+u,y'+v)=f(x,y)*(1-u)*(1-v)+

f(x',y'+1)*(1-u)*v+

f(x'+1,y)*u*(1-v)+

f(x'+1,y'+1)*u*v

(3)

式(3)類比于一維坐標(biāo)系下的長度比值關(guān)系，在二維坐標(biāo)系下，是富含規(guī)律的面積比值關(guān)系。即所求點的RGB等于：

f(x,y)=∑Ri*S對角

(4)

其中，Ri表示領(lǐng)域點的RGB中的某一項，S對角表示對角的矩形面積值。

示例代碼：

for (int k=0;k<3;k++)

{

change[x+k]=image[o_x+k]*(1-a_x)*(1-a_y)+

//對應(yīng)f(x,y)*(1-u)*(1-v)

image[o_b+k]*a_x*(1-a_y)+

/對應(yīng)/f(x',y'+1)*(1-u)*v

image[o_c+k]* a_y*(1 - a_x) +

//對應(yīng)f(x'+1,y)*u*(1-v)

image[o_d+k]* a_y*a_x;

//對應(yīng)f(x'+1,y'+1)*u*v

}

2.2 二值化

二值化的過程形如二進(jìn)制中的01變化，圖像的二值化就是將圖像的像素點的灰度值設(shè)置成0或255。首要工作是將圖像灰度化，灰度化是將原圖像各像素R、G、B三個值按照不同的權(quán)值，將加權(quán)和均賦值給目標(biāo)圖像的RGB值。二值化的算法的重點是獲取像素點灰度的閾值，高于閾值的像素點灰度設(shè)置為255，反之設(shè)置為0。二值化的算法眾多，常用的如利用聚類思想、根據(jù)灰度特征劃分前景后景的Otsu算法，以及基于像素點為中心確定利用范圍像素確定像素閾值的Bernsen算法[12]。

由于人眼對RGB三色的敏感度不同[13]，因而灰度化時權(quán)值必然不同，該文利用心理學(xué)公式(5)中的權(quán)值實現(xiàn)灰度化，該公式適用于sRGB存儲空間的圖像。

Gray=R*0.299+G*0.587+B*0.114

(5)

實現(xiàn)方法只需遍歷所有像素點，對其RGB求加權(quán)和，將新值更新到源像素點中。

對于二值化過程，該文使用Otsu算法，Otsu算法又稱為“大津法”、最大類間方差法[14]。該算法的主要思想是根據(jù)圖像的灰度特征將圖像分為前景與背景兩部分，而前景就是所求的目標(biāo)圖像[15]，使用方差這一統(tǒng)計量，反映前后景灰度差距，其中存在概率分布，實行概率加權(quán)，最終遍歷所有可能的灰度值，方差最大處為灰度閾值。

具體流程如下：

設(shè)圖像灰度范圍為[0,L-1]，閾值M∈[0,L-1]。

(1)分別計算像素灰度值在[0,M]與(M,L-1]出現(xiàn)的概率P1和P2，其中:

P1+P2=1

(6)

(2)分別計算像素在[0,M]和(M,L-1]的平均值μ1和μ2及總體灰度平均值μ。

(3)灰度類間方差函數(shù)為：

σ2=P1(μ1-μ)2+P2(μ2-μ)2

(7)

由概率以及均值關(guān)系可推出最終表達(dá)式：

σ2=P1P2(μ1μ2)2

(8)

(4)遍歷所有灰度閾值M，方差最大時的M即為最佳閾值。

示例為部分代碼：

int OtsuAlgThreshold(const Mat){

int M;//閾值

for(int i=0;i < 255;i++){

double p1=0,u1=0,p2=0,u2=0;

double sum1=0,sum2=0;//像素點總數(shù)

double gray_sum1=0,gray_sum2=0;//灰度值總數(shù)

for(int j=0;j<=i;j++){

sum2+=gram[j];

gray_num2+= j*gram[j];

sum1+= gram[i+j];

gray_num1+=(i +j)*gram[i+j];

}

u2=gray_sum2/sum2;

p2=sum2/total;

u1=gray_sum1/sum1;

p1=sum1/total;

//類間方差計算

double Sq=p1*p2*(u1-u2)*(u1-u2);

if(SqMax < sq){

SqMax=sq;//更新最大方差值

M=i;

}

}

return M;//返回閾值M

}

以上獲取最佳方差的灰度值之后，便可通過遍歷像素點進(jìn)行灰度值調(diào)整。

2.3 邊框與偏移

輸入的圖像由于采集設(shè)備的原因可能存在意想不到的邊框，或是圖像角度發(fā)生了偏移，因而會影響接下來的版面分析與行列切分工作，最終影響識別效果。此部分涉及到兩個部分，一是發(fā)生偏移的角度，二是邊框的選取。該文參考OpenCV庫中的函數(shù)，實現(xiàn)了一種方法，方法的重點在于遍歷查找最小外接矩形，旋轉(zhuǎn)之后進(jìn)行切割，從而獲取最終圖像。方法流程如下：

(1)獲取圖像最小外接矩形。

(2)獲取圖像偏移角度，同時進(jìn)行旋轉(zhuǎn)操作。

(3)對圖像進(jìn)行輪廓檢測，循環(huán)篩選。

(4)切邊，獲取最終圖像。

該思路之前需要對圖像進(jìn)行灰度化和二值化處理，以便于提高檢測的精度。

3 文字識別

此前的圖像預(yù)處理是為了文字識別作鋪墊。預(yù)處理過程使得圖像質(zhì)量得到一定的改善，其DPI和對比度得到顯著提升，文字的方向和邊框也得到校正，從而改善了識別的準(zhǔn)確性。文中的漢字識別，依賴于Tesseract框架，識別出Unicode字符。

此測試環(huán)境需要的配置如表1所示。

表1 配置環(huán)境與說明

預(yù)先需要使用CMake編譯工具將Libtiff、Leptonica編譯，在Tesseract中添加動態(tài)鏈接庫(后綴為.dll)文件之后方可使用。

識別代碼如下：

char *outPut;

tesseract::TessBaseAPI *ocr=new tesseract::TessBaseAPI();

//初始化ocr識別模式

if(ocr->Init(NULL, "eng")) {

cerr<<"Initialize Failed”<

exit(1);//退出

}

//傳入?yún)?shù)

Pix *image=pixRead(Imag_name);

ocr->SetImage(image);

//輸出結(jié)果

outPut=ocr->GetUTF8Text();

cout<

ocr->End();

上述代碼中的接口功能如表2所示。

表2 接口與功能

參數(shù)及說明如表3所示。

表3 參數(shù)與說明

輸入圖像通過預(yù)先的縮放、二值化、邊框處理的工作之后，輸入到Tesseract工作環(huán)境中，實現(xiàn)最終屏幕控制臺的輸出顯示，從而完成文字識別的基本流程。

4 結(jié)束語

該文概述了文字識別的基本過程，對每一個過程進(jìn)行了基本的介紹。在Tesseract框架已有的基礎(chǔ)上，對預(yù)處理階段的圖像縮放、二值化、邊框處理、傾斜校正重點研究，相應(yīng)的模塊具有公式的推導(dǎo)以及代碼的實現(xiàn)。最后依賴于Tesseract框架，先調(diào)用實現(xiàn)的預(yù)處理方法，實現(xiàn)預(yù)處理，繼而調(diào)用Tesseract對象提供的初始化、讀入、處理接口進(jìn)行圖像的操作，從而輸出字符串變量，實現(xiàn)文字的識別。

該文的OCR文字識別研究較為普通，面向的場景也較為單一，精度要求不甚嚴(yán)格。除印刷體以外，還有較為復(fù)雜的手寫體，證件識別，高精度識別。在OCR的工作流程中，除了預(yù)處理之外，還可通過版面分析、圖像切分以及后續(xù)的特征匹配和模型訓(xùn)練的算法提升來提高識別的效率。實現(xiàn)的預(yù)處理方法只是領(lǐng)域中的一種可行的方法，除此之外也有眾多優(yōu)秀的算法。

Tesseract框架的功能強(qiáng)大，可移植性強(qiáng)，識別范圍廣。Tesseract支持Linux、Windows、Mac OS，在各個領(lǐng)域應(yīng)用廣泛。Tesseract框架只能識別印刷體，而不能識別手寫體，除此之外，如上文提到的，Tesseract依賴于圖像的質(zhì)量，對于圖像的DPI，文字的排布也有著要求。因此，圖像的預(yù)處理工作必不可少，其中的算法研究也是研究重點。