OCR系統(tǒng)中后處理模塊的構(gòu)造.pdf

1、光學(xué)字符識別OCR(Optical Character Recognition)用將印刷品轉(zhuǎn)化為文本文件.即使是最好的OCR系統(tǒng)在輸入質(zhì)量很好的情況下也不能達(dá)到百分之百的準(zhǔn)確.如果僅僅依靠人工糾正OCR產(chǎn)生的錯誤其代價是將成為整個過程中最為昂貴的一部分.作為OCR系統(tǒng)中重要的組成部分的后處理用以糾正前面分割和識別處理過程中所產(chǎn)生的錯誤,從而提高系統(tǒng)性能,減少對人工矯正的需求,降低轉(zhuǎn)化為文本的代價.現(xiàn)在的情況是,單純的字符識別技術(shù),即光學(xué)

2、字符識別(OCR)技術(shù)已經(jīng)相當(dāng)成熟了,一些實(shí)用文檔處理系統(tǒng)的單個字符的識別率已高達(dá)99﹪以上,識別速度也非?？?而且能識別出不同的字體.然而對于一些特殊文檔的識別,遠(yuǎn)未達(dá)到這樣的水平.雖然,顯而易見特殊文檔與一般文檔有著很大的不同,卻沒有針對特殊文檔進(jìn)行專門的后處理.研究人員使用拼寫檢索矯正詞一級的錯誤,利用單詞的高度糾正大小寫的錯誤,利用簡單知識糾正句逗的錯誤,糾正文檔中常見的一般錯誤.在特殊文檔中,則更多的利用上下文相關(guān)性對文檔中的