1.6.2 畫框識別

用光學字符識別方法對圖像文檔進行處理，是對掃描圖進行代碼化的工序。這一步稱為OCR（Optical Character Recognition，光學字符識別）。

（1）OCR識別即電子代碼化

OCR識別是對經(jīng)過掃描、修圖的圖像文檔進行分析，將圖像文檔翻譯成計算機文字，獲取內(nèi)容信息及版面信息，OCR識別過程即電子代碼化過程。通過OCR識別，圖像文檔中的文字圖形將繼續(xù)保存；圖像文檔中有表格的，則將表格信息一律變成計算機文字。因此，如何避免和消除代碼化過程中的錯誤，或者說如何利用輔助信息提高圖像文檔的識別正確率，是OCR系統(tǒng)最重要的課題。在OCR識別界面，圖像文檔翻譯成計算機文字顯示的內(nèi)容如圖1-6所示。

（2）文字圖片的代碼化

文字圖片代碼化的具體做法是，將經(jīng)過修圖的圖像文檔置入專用OCR軟件中，進行畫框識別。將橫排文本、豎排文本、表格、插圖、頁碼分開畫框，框線不得壓字、壓圖。在畫框完成后對整個工作包進行檢查，確保沒有畫框錯誤及漏畫等現(xiàn)象。

畫框識別一般分為兩個步驟，一是對內(nèi)容信息的代碼化，二是中間軟件程序自動跟蹤標注位置信息。對內(nèi)容信息進行畫框識別時，文字信息的屬性會自動用紅色框邊顯示；圖像信息的屬性則自動顯示為綠色。同時，識別時產(chǎn)生的中間程序會自動切圖，進行位置信息的識別標注。

畫框識別中，按頁產(chǎn)生的文檔盡管有一個記錄位置信息的中間文件，但仍然包含在一個完整的文件中。也就是說，本道工序入口時是TIF圖像文檔，出口時是TIF+中間文件。經(jīng)過畫框標記的文檔，內(nèi)容信息被分別用紅色、綠色框標注；位置信息包括頁碼也同時標注出來并加以編號，如圖1-7所示。

（3）復雜公式表格的代碼化

一些比較先進的OCR系統(tǒng)，能夠自動對帶有復雜公式、表格的圖像文檔進行畫框識別，多窗口展開進行比對。畫框識別中展開的圖像文檔窗口，文字和公式信息被逐一作為圖像標注；展開的代碼化識別窗口中，文字信息和位置信息被逐一識別標注。更進一步，OCR系統(tǒng)能夠同時展開三個窗口自動進行操作，即展開原圖像文檔窗口、代碼化過程窗口及識別結果窗口，如果識別結果與原圖像文檔有差異，則需要人工進行修正。復雜數(shù)字公式的畫框識別示例如圖1-8所示；復雜數(shù)字公式的代碼化過程窗口展示如圖1-9所示。

（4）代碼化識別的優(yōu)點

OCR識別后的圖像文檔中，內(nèi)容信息和位置信息能夠自動拆分保存。經(jīng)過OCR轉換的文檔有以下優(yōu)點：①點陣圖像的技術特性是用正方形的小點來描述圖像，所以在描述曲線及一些角度的直線時就會產(chǎn)生鋸齒，經(jīng)過OCR識別后，文字成為矢量圖，能夠有效避免鋸齒狀；②能減少圖像文檔的儲存量；③識別出的文字可再使用及分析；④因無須鍵盤輸入，可節(jié)省信息輸入的人力與時間。