最近接觸OCR，先收集一些資料，包括成熟軟體、SDK、流行演算法。

1. 一個對現有OCR軟體及SDK的總結，比較全面，包括支援平臺、程式語言、支援字型語言、輸出格式、相關連結等

以此為索引，比較、選擇你想要的OCR SDK。

2. 另外一個OCR SDK 網站連結，商用，號稱high performance，未深入瞭解，連結如下：

3. 一個大學UCI 給出的handwriting數字的 training及testing資料：

其每個數字近550個樣本，出自43個人，30個人的用於training，13個人的用testing。其網站上有詳細介紹。

4. 一個哥們對開源的OCR 庫的總結：

5. 網上有很多OCR的online service，這裡給出一個：

是以tesseract為OCR引擎。

----------------------------------------------------------------------------------------------------

OCR常用演算法：

OCR重要的是識別率，專家說達到90%以上才有意義。

OCR重要的兩點：特徵提取與匹配能力。

特徵提取與影象處理演算法的好壞密切相關。

匹配演算法：

1. 模板匹配

包括多模板匹配、關鍵點模板匹配

2. 人工神經網路訓練

3. 結構化分析、特徵統計

---------------------------------------------------------------------------------------------------

tesseract是google開源的OCR，很流行。

這裡記錄下其應用方法及原理。

單個字元tesseract 測試：

命令列： tesseract  input.jpg out  -psm  10

輸入影象應該遵守一定的規則，這樣才能提高識別率：

其結果是M，錯的結果。

而對

其結果是H，正確。

兩個圖片的區別就在於寬度不同，一個大小是（29,55），另外一個是（55,55），原以為圖片是需要歸一化，或寬高相等。後檢視tesseract FAQ，提到改善結果的要素：

1. try to set different segmentation mode (-psm option for command line) if you try to OCR small part of text (line, text)
2. try to add border (see issue 398)
3. try to pre-process image (increase DPI, resize, blur/sharpen image) before OCR (see issue 191)
4. try to remove noise dewarp (so there are straight text lines) image and binarize image

經批量測試，確是如此。

其他，設定識別白名單，如只識別數字，或大寫字母，可以大大提高識別率

將tessedit_char_whitelist 0123456789 放在config/digits中，數字可被替換。

測試200多個單個字元（200張圖片），識別率達到90%，字元為黑體印刷體。

目前測試中增加字型寬度，對識別率，無明顯影響。

為進一步提高識別率，對錯誤識別的字元再次進行訓練學習：