OCR 软件 之乱言

前段时间一个朋友要录入一个文件，看他录得恼火，就给他推荐使用OCR软件来进行扫描识别。友人以前不知识有OCR软件这一说，一听功能很神奇就是兴奋高兴，可计算机上的东西往往是超出了想象，或者说是和想象有很差别。

于是乎在网上google了个清华紫光的，一看介绍还是国家什么科技项目，引用一个网站的项目介绍如下：

在国家“863”计划支持下，持续了十多年的科研成果，从1.0版本开始已经升级到现在的9.0版本。独家真正实现了汉英混排同时识别，在国际上首次突破 了OCR产品只能处理汉字或英文单一文字的局限性，新增了东方文字（简繁汉、日文、韩文）识别功能，对日文和韩文与英文混排文档的识别水平甚至超过日本和 韩国对本国文字的识别水平，在国内、外产生了重大的影响，并连续3年被中国软件行业协会评为优秀软件产品，成为汉字输入技术的一座里程碑。

一看就知道是“德国的鸟，得了",应该反映的国内的最高水平，估计国外没搞中文OCR，所以应该也是最那个的中文OCR软件。但实际试用之后才叫人不敢恭维，也不知道是扫描仪有问题还是什么的。

我自己想象中的OCR软件应该具有这些功能：

输入：支持各种图像设备，相机，扫描仪，摄像头；支持各种图片格式，jpg,gif,png,bmp.....

处理：首先是格式段落识别，对文档框架要先分析清楚。再是文字字体分析，对各种文字字体要分析清楚。文字识别时应该加入一些人工智能的技术，如分词联想；如果文档有标题，看能不能对文档进行分类，例如，可能是一份简历，一份计算机方面的论文，一份经济报告，合同；这些文档标题应该都有代表性的文字。文档分类后，在应用分词技术是可以先匹配相应分类的词。字体识别，可以对已经成功识别的字体进行分析，对未识别的在同一字体段落的只进行这一字体字形的匹配，匹配时先查找可能的词组的常用句式。 使用分词联想和字体识别应该可以大大提高识别率。
总之，文档识别要从人的角度来考虑。

输出:应该支持PDF，这些开放文档格式，使用rtf和txt没有什么实用价值，生成网页格式也可以是开放标准，可以支持图文混排，表格，彩色文字等。可以方便的复制到其它文档，而且还能保留文档格式。