OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。
本文初步介绍了 OCR 识别 的基本过程。
一、问题分析
图像中的文字识别可以看为图像分类的问题。即根据形状来判断是属于哪个字母。对于分类问题，一般需要训练数据和测试数据，分类器我采用支持向量机（SVM）
二、具体过程
a) 训练样本的输入
首先对图进行灰度化，之后进行二值化(即变为0和1两个值)。对其进行分割为6*13的小图像，对每个图像找出最小的边缘（最左最右，最上最下）。
由于字母有大有小，进行归一化为同样的大小，32*32,最终的结果如下图
b)测试样本的读入
同样的对图像进行进行二值化，找出所有的字符，然后根据间距判断是否为同一个单词，是否为同一行，进行分组。即（分为行，单词，字符）
对每一组内的每个单词的每个字符进行大小归一化，并按行输出结果。
如下图：
有一些难以区分的字母，所以划分错误。如I和l ，O和C但大部分还是准确的。
c) 纠错
因为有字母是相近的，所以容易区分错误。
单词纠错可以通过编辑距离来实现。
编辑距离，又称Levenshtein距离，是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。
例如将kitten一字转成sitting：
- sitten （k→s）
- sittin （e→i）
- sitting （→g）
对于一个单词，判断其是否存在于字典中。(字典选取Tesseract-OCR词频表)
若存在
- 判断正确，可以直接输出。
若不存在
- 对其进行编辑操作，1次，看是否在字典中，存在则输出
- 对其的编辑操作在做一次编辑操作，看是否在字典中，存在则输出
- 若以上两个步骤中存在多个单词，则选取频率最高的进行输出
纠错样例：
d) 其他测试数据及结果
三、小结
本次实验在上一次的结果中进行了纠错，进一步提高了准确率。
但仍然存在一些不足，如字符纠错的时候，可以考虑数字0和字母o的相似性，直接进行转化。
在做的过程中，发现了这个领域上的难度。比如字体的不同可能需要新的训练样本、字母如果过小难以拆分等等。
总体来说，任务基本完成。也从中学到了许多知识。
