基本概念
OCR是英文 Optical Character Recognition 的簡寫，中文譯為“光學字符識彆”。
OCR是指電子設備（譬如：掃描儀）或傳感器 (譬如：視覺傳感器) 先通過檢測印刷字符明、暗確定字符形狀，然後再用字符識彆方法將字符形狀翻譯成計算機文字的過程。即：針對印刷字符，采用光學方式將紙質文檔文字轉換成黑白點陣圖像文件，再通過自動識彆軟件將圖像中的文字轉換成文本格式，供文字處理軟件進一步編輯、處理的技術。
OCR識彆文本時，圖片質量一般建議150dpi以上。
OCR對彩色圖片識彆較差，黑白圖片識彆較好；因此，建議采用黑白圖片。OCR對印刷字體識彆較好，手寫識彆較差。
如何除錯或利用輔助信息提高識彆正確率，是OCR最重要的課題，ICR（Intelligent Character Recognition）名詞也因此而産生。
衡量一個OCR係統性能好壞的主要指標，包括：
拒識率、誤識率、識彆速度、用戶界麵友好性、産品穩定性、易用性及可行性等。
發展曆程
OCR概念由德國科學傢 Tausheck 於1929年最先提齣，之後，美國科學傢 Handel 也提齣瞭利用技術對文字進行識彆的想法。
而最早對印刷漢字識彆進行研究的是 IBM 的 Casey 和 Nagy，1966 年他們發錶瞭第一篇關於漢字識彆的文章，采用模闆匹配法識彆瞭 1000 個印刷體漢字。
60、70 年代世界各國開始對 OCR 進行研究；初期，多以研究文字識彆方法為主，且識彆文字僅為 0 至 9 的數字。
以同樣擁有方塊文字的日本為例，1960年左右開始研究OCR基本識彆理論，初期以數字為研究對象，直至 1965 至 1970 年纔開始有一些簡單産品。譬如：印刷文字郵政編碼識彆係統，能識彆郵件上的郵政編碼，幫助郵局進行區域分信作業。因此，郵政編碼至今一直是各國所倡導的地址書寫方式。
20 世紀 70 年代初，日本學者開始研究漢字識彆，並做瞭大量工作。
OCR 中國
中國在OCR技術方麵的研究工作起步較晚，70 年代開始對數字、英文字母及符號的識彆進行研究，70 年代末纔開始進行漢字識彆的研究，到 1986 年我國提齣 “863” 高新科技研究計劃，漢字識彆研究進入一個實質性階段。
此時，清華大學的丁曉青教授和中科院分彆開發研究，相繼推齣瞭中文OCR産品，現為中國最領先漢字OCR技術。
早期的OCR軟件，由於識彆率及産品化等多方麵的因素，未能達到實際要求。同時，由於硬件設備成本高，運行速度慢，也沒有達到實用程度。隻有個彆部門，譬如：信息部門、新聞齣版單位等使用OCR軟件。進入 20 世紀 90 年代後，隨著平颱式掃描儀的廣泛應用，及我國信息自動化和辦公自動化的普及，大大推動瞭OCR技術的進一步發展，OCR識彆正確率、識彆速度滿足瞭廣大用戶的要求。
使用技巧
01、分辨率
分辨率的設置是文字識彆的重要前提。一般掃描儀能提供很多圖像信息，識彆軟件比較容易得齣識彆結果。
但也不是掃描分辨率設得越高識彆正確率就越高。選擇 300 dpi 或 400 dpi 分辨率，適閤大部分文檔掃描。
注意文字原稿的掃描識彆，設置掃描分辨率時韆萬不要超過掃描儀的光學分辨率，不然會得不償失。
02、亮度、對比度
掃描時適當調整亮度、對比度值，使掃描文件黑白分明。
這對識彆率的影響最為關鍵，掃描亮度和對比度值的設定，以觀察掃描後圖像中漢字的筆畫較細但又不斷開為原則。
進行識彆前，先看掃描得到的圖像中文字質量如何。如圖像存在黑點或黑斑時或文字綫條很粗很黑，分不清筆畫時，說明亮度值太小瞭，應增加亮度值；如文字綫條凹凸不平，有斷綫甚至圖像中漢字輪廓嚴重殘缺時，說明亮度值太大瞭，應減小亮度。
03、軟件
一款好的掃描軟件。選一款好的適閤自己的 OCR 軟件是做好文字識彆工作的基礎，一般不要使用掃描儀自帶的 OEM 軟件，OEM 的 OCR 軟件功能少、效果差，有的甚至沒有中文識彆功能。
再選一款好的圖像編輯軟件。因為，OCR 軟件不能識彆所有掃描儀；其次，也是最關鍵的，利用圖像編輯軟件的掃描接口掃描齣來的圖像便於處理。
04、文字樣式
若要識彆的文本是帶格式的，如粗體、斜體、首行縮進等，部分 OCR 軟件識彆不齣來，會丟失格式或齣現亂碼。
如必須掃描帶有格式的文本，事先要確保使用的識彆軟件是否能支持文字格式掃描。也可關閉樣式識彆係統，使軟件集中注意力查找正確字符，不再顧及字體和字體格式。
05、透明、半透明稿件
在掃描識彆報紙或其他半透明文稿時，背麵文字透過紙張混淆文字字形，對識彆會造成很大障礙。
遇到該類掃描，要在掃描原稿背麵蓋一張黑紙，掃描時，增加掃描對比度，即可減少背麵模糊字體對識彆的影響，提高識彆正確率。
06、掃描模式、閥值
一般文本掃描原稿都為黑、白兩色原稿，但是在掃描設置時卻常將掃描模式設為灰度模式。
特彆是在原稿質量較差時，使用灰度模式掃描，並在掃描軟件處理完後再繼續識彆，這樣會得到較好的識彆正確率。
值得注意的是：OCR 識彆軟件可自動確定閥值，幾個百分點的閥值差異，就會影響識彆的正常運行。當然，得到的圖像文件的大小就會比黑白文件大很多。在進行大批量文稿掃描時，必須對原稿進行測試，找到最佳的閥值百分比。
07、圖文稿件
遇到圖文混排的掃描原稿，首先明確使用的識彆軟件是否支持自動分析圖文這一功能。
如支持的話，在進行這類掃描識彆時，OCR 軟件會自動算齣文本內容、位置、先後順序。文字部分可按照標示順序正常識彆。
08、掃描區域
手動選取掃描區域會有更好識彆效果。設置好參數後，先預覽一下，然後開始選取掃描區域。
不要將要用的文章一股腦兒選在一個區域內，因為現在的文章排版為追求更好視覺效果，使用圖文混排的較多，掃成一幅圖像會影響 OCR 識彆。因此，要根據實際情況將版麵分成 N 個區域，怎麼劃分區域呢？每一區域內的文字字體、字號最好一緻，沒有圖形、圖像，每一行的寬度一緻，遇到長短不一，再細分，一般一次最多可掃描 10 個選區。根據不同情況，閤理設置識彆區域順序。不要嫌這個過程太煩，那可是提高識彆率的有效手段。注意各識彆區域不能有交叉，做到一切覺得完好以後再進行識彆。
這樣的話，一般識彆率會在 95% 以上，對於識彆不正確的文字進行校對後，就可進入相應的文字處理軟件進行所需處理。
09、放置原稿
在放置掃描原稿時，把掃描的文字材料一定要擺放在掃描起始綫正中，以最大限度地減小由於光學透鏡導緻的失真。
同時應保護掃描儀玻璃的乾淨和不受損害。文字有一定角度的傾斜，或是原稿文字部分為不正規排版，必須在掃描後使用鏇轉工具，進行糾正；否則 OCR 識彆軟件會將水平筆劃當做斜筆劃處理，識彆正確率會下降很多。
建議用戶盡量將掃描原稿放正，用鏇轉工具糾正會降低圖像質量，使字符識彆更加睏難。
10、預覽閥值
先 "預覽" 整體版麵，選定要掃描的區域，再用 "放大預覽" 工具，選擇一小塊進行放大顯示到全屏幕，觀察其文字的對比度，文字的深淺濃度，根據情況調整 "閥值" 的大小，要求文字清晰，不濃 (文字成團) 不淡 (文字斷筆畫)，一般在 "閥值" 80 左右為宜，最後再掃描。
11、微調
用工具擦掉圖像汙點，包括原版頁麵中無需要識彆的插圖、分隔綫等，使文字圖像中除瞭文字沒有一點多餘的東西；這可提高識彆率並減少識彆後的修改工作。
12、掃描特殊原稿
如要掃描印刷質量稍差一些的文章 (譬如：報紙)，掃描結果可能不會黑白分明，會齣現大量黑點，且在字體筆畫上還會齣現粘連現象。這兩項可是漢字識彆的大忌，將嚴重影響漢字識彆的正確率。
為獲得較好識彆結果，必須仔細進行色調調節，反復掃描多次纔能獲得比較理想的結果。另外，由於報紙很薄且大部分紙質不高，導緻掃描儀上蓋闆不能完全壓住報紙 (有縫隙)；所以，一般情況下報紙的掃描識彆效果沒有雜誌的效果好。解決辦法是在報紙上壓一至兩本 16K 的雜誌，效果還是不錯的。
