我们平时可能会遇到需要扫描文件，又或者是需要把一些照片的文字提取出来，但手头却没有扫描仪。那么有没有一种快捷的方式能够让我们用手机拍成一个扫描文件呢？那么我们今天就来学习如何利用手机来扫描文件并且提取里面的文字。
文件扫描
■所需工具：有道云笔记
①打开有道云笔记，在右下角选择更多；
②选择“文档扫描”；
③将文档的四边均放入镜头内，并点击扫描键；
④等待扫描件自动生成就可以了。
提取文字
■所需工具：坚果云扫描
①打开坚果云扫描，点击右下角的拍照；
②同样，将需要扫描的文件放入镜头内，点击按钮开始扫描；
③扫描结束后选择“识别”；
④根据你自身的需要选择“整页识别”或者“局部识别”；
⑤第一次识别还会需要你选择识别的语言，根据你自身的需要，在这里我选择“中文”和“英语”；
⑥等待识别结果。
通过有道云笔记和坚果云扫描这两个软件，就可以轻松方便的利用手机拍摄扫描件了。但有一点还需要知晓的是，提取文并编辑字是有偿的，小伙伴们可以根据自己的切身需要决定是否选择这项增值服务。
OCR（光学字符识别）功能，通过相机拍照识别，帮助您将不同类型的文件，如扫描文件、PDF文件，或者图片，转换为可以随心搜索或编辑的数据。
1 使用OCR搜索
时有这样的场景：你想找一个文件或图片，但是不记得标题，只能想起相关的几个词？这时会忍不住想，如果可以根据文件内容或图片上的文字进行搜索就好了。OCR识别功能就能轻松做到。坚果云扫描会自动对注册用户的文档进行OCR识别，你只需在搜索框中输入关键字，不论标题、内容、备注，还是图片上的文字，都能被智能检索到！
2 文字识别导出
OCR可以将文件或图片上的文字转换为可编辑的文字，智能识别，不用自手动打字输入。想要将一些纸质文件，PPT、 PDF文件、图片、名片、试卷，瞬间转变为可以编辑修改的电子稿么? 快使用OCR试试看吧 !
打开任意一个扫描图- >点击OCR识别- >分享，就能通过复制到剪贴板，邮件等多种方式将文字识别结果导出、编辑。
(
今天推荐一款电脑实用小软件：OCR文字识别工具，软件体积不到1M，却集合了百度、腾讯、有道、搜狗四大接口。
适用系统：Windows
OCR文字识别有什么用呢？用处大得很。
比如上网看到一些文字，但是有些网站设置了无法右键复制选中文字，而此时文字太多，你又不想打字一个个敲出来，这时候用这个软件就对了，几秒搞定。
此方法同样适用于任何文字识别，比如图片上的文字。几秒识别成功，无法直接复制文字的时候，它就派上用场了。识别出来后直接右键全选复制粘贴即可，如果有部分差错，可以直接在里面编辑，右键还可以更换接口。
使用方法
下载软件后打开，默认识别快捷键是 F4，按下快捷键后，用鼠标拖动要识别的区域，松开后等待几秒即可。
你可以在右下角的图标中通过鼠标右键，点击设置，更改识别快捷键。搜狗的接口识别效果很好，但是对于图片的尺寸有规定。腾讯ocr接口，也比较准确，但是速度比较慢。百度ocr接口，精确度还可以，但是标点符号识别不准确，速度一般。有道ocr接口，速度很快平均0.3-0.4秒就可识别出来。大家自行选择识别接口吧，其实也差不多。
文字识别（Optical Character Recognition，简称OCR）是指对图像文件的打印字符进行检测识别，将图像中的文字转换成可编辑的文本格式，以JSON格式返回识别结果。
OCR以开放API（Application Programming Interface，应用程序编程接口）的方式提供给用户，用户使用Python、Java等编程语言调用OCR服务API将图片识别成文字，帮助用户自动采集关键数据，打造智能化业务系统，提升业务效率，API获取详情请参考《API参考》。
OCR还提供多种编程语言的SDK供您使用，SDK使用方法请参考《SDK参考》
OCR能力
通用类OCR
通用类OCR（General OCR），支持表格、文档、网络图片等任意格式图片上文字信息的自动化识别，自适应分析各种版面和表格，快速实现各种文档电子化。
证件类OCR
证件类OCR（Card OCR），支持身份证、驾驶证、行驶证、护照等证件图片上有效信息的自动识别和关键字段结构化提取。
票据类OCR
票据类OCR（Receipt OCR），支持增值税发票、机动车销售发票、医疗发票等各种发票和表单图片上有效信息的自动识别和结构化提取。
行业类OCR
行业类OCR（Domain OCR），支持物流面单、医疗化验单据等多种行业特定类型图片的结构化信息提取和识别，助力行业自动化效率提升。
定制模板OCR
定制模板OCR（Custom OCR），支持用户自定义识别模板，指定需要识别的关键字段，实现用户特定格式图片的自动识别和结构化提取。
人工智能这个词可谓是耳熟能详，近几年人工智能热潮再次席卷而来，引起轰动的要数google的AlphaGo，相继打败了围棋界的韩国选手李世石以及世界冠军柯洁，见证了人工智能发展的里程碑式的变革，人工智能再度引起了众人的关注。
人工智能当然不止会下棋这么简单，其实在20年前，智能家居的开发就有不少团队在进行，只是切入点不对，所以一直没有什么起色，现在大家都以语音为切入点，使得人工智能开始步入正轨，亚马逊的智能音箱echo就是代表产品，自然语言互动会逐渐摆脱人对着屏幕互动的束缚，其最大的价值就是回归人生，在未来就会迁就人类，语音交互就是这样一个在各个场景中都可以嵌入的技术。
目前我国的语音识别技术也已经从进场发展到远场，如果要实现人工智能，OCR技术则是必不可少的基石，智能文字识别的主要依据就是OCR技术识别原理，现在也有许多智能产品加入了人脸识别的项目。
OCR英文全称是Optical Character Recognition，中文叫做光学字符识别。它是利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。文字识别是计算机视觉研究领域的分支之一，而且这个课题已经是比较成熟了，并且在商业中已经有很多落地项目了。比如汉OCR，百度OCR，阿里OCR等等，很多企业都有能力都是拿OCR技术开始挣钱了。其实我们自己也能感受到，OCR技术确实也在改变着我们的生活：比如一个手机APP就能帮忙扫描名片、身份证，并识别出里面的信息；汽车进入停车场、收费站都不需要人工登记了，都是用车牌识别技术；我们看书时看到不懂的题，拿个手机一扫，APP就能在网上帮你找到这题的答案。太多太多的应用了，OCR的应用在当今时代确实是百花齐放啊。
OCR概念的产生是在1929年，德国的科学家Tausheck首先提出了OCR的概念，并且申请了专利。几年后，美国科学家Handel也提出了利用技术对文字进行识别的想法。但这种梦想直到计算机的诞生才变成了现实。现在这一技术已经由计算机来实现，OCR的意思就演变成为利用光学技术对文字和字符进行扫描识别，转化成计算机内码。
我国在OCR技术方面的研究工作起步较晚，在70年代才开始对数字、英文字母及符号的识别进行研究，70年代末开始进行汉字识别的研究，到1986年汉字识别的研究进入一个实质性的阶段，取得了较大的成果，不少研究单位相继推出了中文OCR产品。我国OCR都是有 OMR演变过来的，我国的一些研究部门在 80年代初就开始对OCR识别进行研究，如：清华的吴估寿教授、丁晓青教授、夏莹教授、北大的顾小凤教授、北信的张昕中教授、中科院的刘品平博士、李明敬博士可以称作我国OCR研究开发队伍中的导航人，为此付出了不懈努力。二十多年的研究开发积累了大量人才，专家就有上百人。在中关村的硅谷地带，我国的OCR专家多达20多位，他们也为我国的信息领域留下了自己奋斗的足迹。我国目前使用的文本型OCR软件主要有清华文通TH-OCR、北信BI-OCR、中自ICR、沈阳自动化所SY-OCR、北京曙光公司NI-OCR（已被中自汉并购）等，匹配的扫描仪则使用市面上的平板扫描仪。中文OCR即采用扫描仪、数码相机等输入设备，把中文印刷体的文稿送入计算机并以计算机文档表示出来的高新技术。中文印刷体识别技术（OCR）主要用于文字和表格输入，可以用扫描仪将整页的印刷文稿或者表格输入计算机，由计算机上的识别系统自动生成汉字文件，替代人工键入汉字和表格的工作。中文OCR有普及版和专业版之分，现在市场上扫描仪捆绑的OCR软件均为普及版。目前印刷体OCR的识别技术已经达到可以实用的程度，即使对印刷质量较差的文字的识别率也达到95%以上。由于手写体OCR技术的限制，专业型OCR系统的产品多是面向特定的行业，即适用于每天需处理大量表格信息录入的部门，如邮政、税务、海关、统计等等。这种面向特定行业的专业型OCR系统信息格式较为固定，识别的字符集相对小，经常与专用的输入设备结合使用，因此具有速度快、效率高等特点。在国外已经被广泛地应用，充分发挥着作用。在我国随着计算机应用的深入，这方面的需求已经出现。专业版 OCR有批处理功能，性能更加优化，识别率也不同于普通版OCR。国家的”863计划”对OCR技术的研究给予了很大的资助，促进了OCR的重大成果的取得。如”863″项目的启用者汉最新推出的专业版”新世纪OCR”，将我国当今的OCR技术推进了新的巅峰。它的特点主要是：识别率大幅度提高，尤其是对中英文混排文稿，识别率为99%。可识别宋、仿宋、楷、隶、行等八种印刷字体，对数字、标点符号的识别也可点可圈；对表格识别也有了一定的突破，无论横版、竖版、中文表格、图文混排文件都能识别，自动版面分析和识别功能也大大加强。从80年代开始，OCR的研究开发就一直受到国家”863″计划的资助，我国在信息技术领域付出的努力，已经有了初步的回报。目前我们正在实现将OCR软件针对表格形式的特征设计了大量的优化功能，使得识别精度更高、识别速度更快，并且为适应不同环境的使用提供了多种识别方式选项，支持单机和网络操作，极大地方便了使用，使应用范围更加广泛，能达到各种不同用户的应用要求。我们相信经过众多专家或专业人士的努力，及国家在信息产业领域的大力资助，使OCR进入到网络的各个领域，会有更多的新品种奉献给我们的用户,OCR技术将会有一个质的飞跃。
光学字符识别（英语 :Optical Character Recognition）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。如何除错或利用辅助信息提高识别正确率，是OCR最重要的课题，ICR（Intelligent Character Recognition）的名词也因此而产生。衡量一个OCR系统性能好坏的主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。
OCR技术的兴起便是从印刷体识别开始的，印刷体识别的成功为了以后手写体的发展奠定了坚实的基础，一般处理图片的步骤包括以下几个：图像输入，图像前处理，预识别，图像切分，特征提取，匹配及模型训练，识别后处理。
对不同的图像格式，有着不同的存储格式，不同的压缩方式，目前有OpenCV，CxImage等开源项目。
输入文本经过扫描仪进入计算机后，由于纸张的厚薄、光洁度和印刷质量都会造成文字畸变，产生断笔、粘连和污点等干扰，所以在进行文字识别之前，要对带有噪声的文字图像进行处理。由于这种处理工作是在文字识别之前，所以被称为预处理。预处理一般包括灰度化、二值化，倾斜检测与校正，行、字切分，平滑，规范化等等。
3.2.1 灰度化：
通过外设采集的图像通常为彩色图像，彩色图像会夹杂一些干扰信息，灰度化处理的主要目的就是滤除这些信息，灰度化的实质其实就是将原本由三维描述的像素点，映射为一维描述的像素点。转换的方式和规则有很多，在这里不详细介绍。
3.2.2 二值化处理：
对摄像头拍摄的图片，大多数是彩色图片，彩色图像所含的信息量巨大，对于图片的内容，我们可以简单的分为前景和背景，为了让计算机更快的，更好的识别文字，我们可以简单地分为前景和背景，为了让计算机更快的，更好的识别文字，我们需要对彩色图进行处理，使图片只剩下前景信息和背景信息，可以简单的定义前景信息为黑色，背景信息为白色，这就是二值化图。
3.2.3 噪声去除
对于不同的文档，我们对噪声的定义可以不同，根据噪声的特征进行去噪，就叫做噪声去除。
3.2.4 倾斜校正
由于一般的用户，在拍摄文档时候，都比较随意，因此拍出来的图片不可避免的产生倾斜，这就需要文字识别软件进行矫正。
印刷体文本资料大多是由平行于页面边缘的水平(或者垂直)的文本行(或者列)组成的，即倾斜角度为零度。然而在文本页面扫描过程中，不论是手工扫描还是机器扫描，都不可避免地会出现图像倾斜现象。而倾斜的文档图像对后期的字符分割、识别和图像压缩等工作将产生很大影响。为了保证后续处理的正确性，对文本图像进行倾斜检测和校正是十分必要的。
文本图像的倾斜校正分为手动校正和自动校正两种。手动校正，是指识别系统提供某种人机交互手段，实现文本图像的倾斜校正。自动校正，是指由计算机自动分析文本图像的版面特征，估计图像的倾斜角度，并根据倾斜角度对文本图像进行校正。
目前，文本图像的倾斜检测方法有许多种，主要可以划分为以下五类:基于投影图的方法，基于Houhg变换的方法，基于交叉相关性的方法，基于Fourier变换的方法和基于最近邻聚类方法。
最简单的基于投影图的方法是将文本图像沿不同方向进行投影。当投影方向和文字行方向一致时，文字行在投影图上的峰值最大，并且投影图存在明显的峰谷，此时的投影方向就是倾斜角度。
Huogh变换也是一种最常用的倾斜检测方法，它是利用Hough变换的特性，将图像中的前景像素映射到极坐标空间，通过统计极坐标空间各点的累加值得到文档图像的倾斜角度。
Fourier变换的方法是利用页面倾角对应于使Fourier空间密度最大的方向角的特性，将文档图像的所有像素点进行Fourier变换。这种方法的计算量非常大，目前很少采用。
基于最近邻聚类方法，取文本图像的某个子区域中字符连通域的中心点作为特征点，利用基线上的点的连续性，计算出对应的文本行的方向角，从而得到整个页面的倾斜角
3.2.5 版面分析
将文档图片分段落，分行的过程就叫做版面分析，由于实际文档的多样性，复杂性，因此，目前还没有一个固定的，最优化的切割模型。
由于拍照条件的限制，经常造成字符粘连，断笔，因此极大限制了识别系统的性能。
这一研究很早了，比较早有模板匹配，后来以特征提取为主，由于文字的位移，笔画的粗细，断笔，粘连，旋转等因素的影响，极大影响特征的提取的难度。
人们希望识别后的文字，任然像源文档图片那样排列着，段落不变，位置不变，顺序不变地输出到wps文档，PDF文档等，这一过程就叫做版面还原。
将文本图像分割为不同部分，并标定各部分属性，如：文本、图像、表格。目前在版面分析方面的工作核心思想都是基于连通域分析法，后衍生出的基于神经网络的版面分析法等也都是以连通域为基础进行的。连通域是指将图像经过二值化后转为的二值矩阵中任选一个像素点，若包围其的所有像素点中存在相同像素值的像素点则视为两点连通，以此类推，这样的像素点构成的一个集合在图像中所在的区域即一个连通域。根据连通域大小或像素点分布等特征可以将连通域的属性标记出来，用作进一步处理的依据。
根据特定的语言上下文的关系，对识别结果进行校正，就是后处理。
如果要给OCR进行分类，我觉得可以分为两类：手写体识别和印刷体识别。这两个可以认为是OCR领域两个大主题了，当然印刷体识别较手写体识别要简单得多，我们也能从直观上理解，印刷体大多都是规则的字体，因为这些字体都是计算机自己生成再通过打印技术印刷到纸上。在印刷体的识别上有其独特的干扰：在印刷过程中字体很可能变得断裂或者墨水粘连，使得OCR识别异常困难。当然这些都可以通过一些图像处理的技术帮他尽可能的还原，进而提高识别率。总的来说，单纯的印刷体识别在业界已经能做到很不错了，但说100%识别是肯定不可能的，但是说识别得不错那是没毛病。
印刷体已经识别得不错了，那么手写体呢？手写体识别一直是OCR界一直想攻克的难关，但是时至今天，感觉这个难关还没攻破，还有很多学者和公司在研究。为什么手写体识别这么难识别？因为人类手写的字往往带有个人特色，每个人写字的风格基本不一样，虽然人类可以读懂你写的文字，但是机器缺很难。那为什么机器能读懂印刷体？因为印刷体是机器造出来的啊，那机器当然能读懂自己造的字体啦哈哈~其实上面也提到了，印刷体一般都比较规则，字体都基本就那几十种，机器学习这几十种字体并不是一件难事，但是手写体，每个人都有一种字体的话，那机器该学习多少字体啊？这就是难度所在。
如果按识别的内容来分类，也就是按照识别的语言的分类的话，那么要识别的内容将是人类的所有语言（汉语、英语、德语、法语等）。如果仅按照我们国人的需求，那识别的内容就包括：汉字、英文字母、阿拉伯数字、常用标点符号。根据要识别的内容不同，识别的难度也各不相同。简单而言，识别数字是最简单了，毕竟要识别的字符只有0~9，而英文字母识别要识别的字符有26个（如果算上大小写的话那就52个），而中文识别，要识别的字符高达数千个（二级汉字一共6763个）！因为汉字的字形各不相同，结构非常复杂（比如带偏旁的汉字）如果要将这些字符都比较准确地识别出来，是一件相当具有挑战性的事情。但是，并不是所有应用都需要识别如此庞大的汉字集，比如车牌识别，我们的识别目标仅仅是数十个中国各省和直辖市的简称，难度就大大减少了。当然，在一些文档自动识别的应用是需要识别整个汉字集的，所以要保证识别的整体的识别还是很困难的。
现在我们只想单纯地想对字符进行识别，那方法会有哪些呢？我列了一下可以采取的策略：
上面提到的OCR方法都有其有点和缺点，也正如此，他们也有各自特别适合的应用场景。
首先说开源OCR引擎Tesseract。搞字符识别的童鞋应该都听说过Tesseract这个东西，这是谷歌维护的一个OCR引擎，它已经有一段相当悠久的历史了。Tesseract现在的版本已经支持识别很多种语言了，当然也包括汉字的识别。毕竟Tesseract是外国人搞得一个东西，所以在汉字识别的精度上还是不能摆上台面，不过还是自己去改善。但是Tesseract在阿拉伯数字和英文字母上的识别还是可以的，如果你要做的应用是要识别英文或者数字，不妨考虑一下使用Tesseract，毕竟拿来就能得到不错的结果。当然啦，要做到你想要的识别率，后期微调或者优化肯定要多下功夫的。
接下来说一下借用OCR开放平台做文字识别。现在很多大公司都开放了OCR的API供开发者调用，当然啦，小量调用是不收费的，但是大量调用就要收费了。最近我也在百度开放平台上调用OCR的API做一些识别的工作，说实话，在汉字的识别上，我们中国公司的技术还是顶尖的，在汉字识别的准确率上已经让人很满意了。比如我要识别一些文本，自己写个python脚本，调用开放平台的服务，返回的就是识别结果了。这种模式有啥不好的地方吗？首先是需要钱（当然每天小批量识别一下是不用钱的），第二是自己的控制程度不足，我们想要提升识别精度，我们不可以从OCR识别上做改进（毕竟别人的东西，我们改不了），能做只是预处理和后期矫正，能做的还是比较有限的。但是，如果自己不想花大量时间做OCR模型并且手上有钱的话，这种识别方法还是OK的。
上面提到的都是用的是别人的东西，那我们想从头自己做，咋办？
那就自己做吧！先谈一谈字符模板那匹配法。暴力的字符模板匹配法看起来很蠢，但是在一些应用上可能却很凑效。比如在对电表数字进行识别时，考虑到电表上的字体较少（可能就只有阿拉伯数字），而且字体很统一，清晰度也很高，所以识别难度不高。针对这种简单的识别场景，我们首先考虑的识别策略当然是最为简单和暴力的模板匹配法。我们首先定义出数字模板（0~9），然后用该模板滑动匹配电表上的字符，这种策略虽然简单但是相当有效。我们不需要左思右想去建模，训练模型，只需要识别前做好模板库就可以了。
模板匹配法只限于一些很简单的场景，但对于稍微复杂的场景，那就不太实用了。那此时我们可以采取OCR的一般方法，即特征设计、特征提取、分类得出结果的计算机视觉通用的技巧。在深度学习大放异彩之前，OCR的方法基本都是这种方法，其效果嘛，并不算特别好。在这里简单说一下这里常见的方法。第一步是特征设计和提取，特征设计是一件很烦人的事情，做过模式识别相关项目的童鞋也深有体会，我们现在识别的目标是字符，所以我们要为字符设计它独有的的特征，来为后面的特征分类做好准备。字符有啥特征呢？有结构特征，即字符的端点、交叉点、圈的个数、横线竖线条数等等，都是可以利用的字符特征。比如“品”字，它的特征就是它有3个圈，6条横线，6条竖线。除了结构特征，还有大量人工专门设计的字符特征，据说都能得到不错的效果。最后再将这些特征送入分类器（SVM）做分类，得出识别结果。这种方式最大的缺点就是，人们需要花费大量时间做特征的设计，这是一件相当费工夫的事情。通过人工设计的特征（例如HOG）来训练字符识别模型，此类单一的特征在字体变化，模煳或背景干扰时泛化能力迅速下降。而且过度依赖字符切分的结果，在字符扭曲、粘连、噪声干扰的情况下，切分的错误传播尤其突出。针对传统OCR解决方案的不足，学界业界纷纷拥抱基于深度学习的OCR。
这些年深度学习的出现，让OCR技术焕发第二春。现在OCR基本都用卷积神经网络来做了，而且识别率也是惊人的好，人们也不再需要花大量时间去设计字符特征了。在OCR系统中，人工神经网络主要充当特征提取器和分类器的功能，输入是字符图像，输出是识别结果，一气呵成。当然用深度学习做OCR并不是在每个方面都很优秀，因为神经网络的训练需要大量的训练数据，那么如果我们没有办法得到大量训练数据时，这种方法很可能就不奏效了。其次，神经网络的训练需要花费大量的时间，并且需要用到的硬件资源一般都比较多，这几个都是需要考虑的问题。
在一些简单环境下OCR的准确度已经比较高了（比如电子文档），但是在一些复杂环境下的字符识别，在当今还没有人敢说自己能做的很好。现在大家都很少会把目光还放在如何对电子文档的文字识别该怎么进一步提高准确率了，因为他们把目光放在更有挑战性的领域。OCR传统方法在应对复杂图文场景的文字识别显得力不从心，越来越多人把精力都放在研究如何把文字在复杂场景读出来，并且读得准确作为研究课题，用学界术语来说，就是场景文本识别（文字检测+文字识别）。
1) 办公自动化 工厂企业、公司及事业单位的日常办公用文件及资料等需要输入计算机存储检索。使用OCR，既比存储图像文件大大地节省存储量，又不需要专职录入人员，是减轻劳动量、节约资金、提高办公效率的最好措施。
2) 建立中文资料库 要大量输入各种文书、刊、报及文件，使用OCR可以缩短建库时间，减轻劳动强度，降低费用。
3) 打字公司、书刊出版社、报社等 使用OCR可以自动录入已经出版的文章和打印文件，稍加修改编辑成新文章或再版己有书刊。OCR输出的标准汉字代码文件可为大多数中文处理系统、轻印刷系统、照排系统所接受，可重新打印、印刷输出。
4) 图书馆、文献中心 用本系统自动录入图书有关信息，可建立书目数据库自动录入经典图书全文，将纸上文字转移到计算机内，便于保存、查找、检索，更大的好处可以提供给专家用计算机对书籍内容进行研究。
5) 机器翻译机器翻译的第一步是将全文输入计算机。利用OCR可以将机器自动翻译相匹配，实现高速自动翻译。
6) 个人使用 当您阅读资料时，可用OCR将您感兴趣的段落自动录入。特别是作家，利用本软件可以将一些书载历史资料或文献快速录入到计算机内。
定制模板OCR（Custom OCR），支持用户自定义识别模板，指定需要识别的关键字段，实现用户特定格式图片的自动识别和结构化提取
产品列表
用户自定义模板
（公测中）对于版式固定的各种票据和卡证，通过可视化界面操作，指定需要识别的关键字段，可以快速制作模板并调用服务接口
专属API定制开发
对于识别精度要求高的特殊场景，可联系进行定制开发并提供专属API接口
应用场景
1.各类证件识别
对各种格式的卡证图片，可制作模板实现关键字段的自动识别和提取
优势
支持格式范围广
可对每类证件定制独立模板，指定需要识别的关键区域，从而支持不同格式证件图片的自动识别和结构化提取
模板配置速度快
通过可视化界面操作，轻松指定识别区域，完成模板设计并调用服务接口
建议搭配使用
对象存储服务OBS
2.各类票据识别
对各种格式的票据图片，可制作模板实现关键字段的自动识别和提取
优势
支持票据范围广
可对每类票据定制独立模板，指定需要识别的关键区域，从而支持不同格式票据图片的自动识别和结构化提取
模板配置速度快
通过可视化界面操作，轻松指定识别区域，完成模板设计并调用服务接口
建议搭配使用
对象存储服务OBS
导师刚刚给我们布置了一篇论文，因为选题比较特殊，资料比较难找，小峰也是上网找了很久才找到了一个可以用的资料，但是有些尴尬的是，这个资料不是可以直接复制的文档形式，而是一张一张的图片，这可是让小峰十分为难了，要去手动码字的话，真的是很麻烦的。好像现在的网络也是很发达了，这不，小峰在网上找到了一个可以在线将图片中的文字识别出来的方法，刚巧有空，就将这个方法也介绍给大家吧。
第1种识别方法：在电脑中识别
在电脑中打开迅捷OCR文字识别软件，我们可以看到这个软件既支持批量识别也支持单张识别，我们可以根据自己的需求来选择。
小峰这里以单张识别为例，点击进去之后，就可以看到界面中间有一个上传图片的按钮了。点击一下这个上传图片的按钮，就可以将需要识别的图片添加进来了。
添加好图片之后，点击窗口右下角的开始识别按钮，等待软件帮我们将图片中的文字识别出来之后，再点击导出识别结果就可以了。
第2种识别方法：在手机中识别
如果你日常不太喜欢用电脑办公，而是喜欢用手机的话，那么这种识别方式就很方便了。
在手机中打开迅捷文字识别APP之后，点击窗口上方的导入图片按钮，这样手机中的图片文件就会显示出来了，我们从这些图片文字中找到自己想要识别的，然后将它勾选上再点击窗口右上角的导入按钮。
在接下来的界面中点击窗口下方的识别按钮，这样软件就可以帮助我们将图片中的文字识别出来了。
这个问题其实很简单，扫描的价格贵是因为扫描的需求比较少（相对于打印和复印），因此没有形成足够充分的市场竞争，消费者比价、博弈的能力相对较弱，而商家为提供扫描服务所需的投资边际成本相对较高，没有形成规模效应，使得服务价格较高。
也就是说，由于打印的市场需求很大，因此商家投资一台打印机的钱，很容易就能赚回来。一台打印机按1000元算，只要打印5000张纸就能收回成本，5000张纸的成本也只有200元左右，而5000张纸只要一周就能用完（学期末的时候消耗量成倍上升）。这样，总共1200元的投资只要一周就可以收回，剩下的就全是利润了。
相比而言，扫描的需求量较小，也许1天也只有10名顾客（考虑到现在智能拍照手机的普及，对于专业扫描的需求大大降低了），一台1000块的扫描仪要使用100天才能收回成本。因此要尽快收回成本，价格就要定的更高。注意，任何生产工具都有折旧的，放着不用也是成本。
这其中还有一些其他因素，比如相对于开个word打印文档这种操作来说，扫描使用的软件更加不常见，操作更复杂一些，可能客户都无法自己完成，需要店家亲自服务，那这又会带来人力成本、时间成本等等。
OCR（Optical Character Recognition，光学字符识别），是属于图型识别（Pattern Recognition，PR）的一门学问。其目的就是要让计算机知道它到底看到了什么，尤其是文字资料。
由于OCR是一门与识别率拔河的技术，因此如何除错或利用辅助信息提高识别正确率，是OCR最重要的课题，ICR（Intelligent Character Recognition）的名词也因此而产生。而根据文字资料存在的媒体介质不同，及取得这些资料的方式不同，就衍生出各式各样、各种不同的应用。
在此对OCR作一基本介绍，包括其技术简介以及其应用介绍。
一、OCR的发展
要谈OCR的发展，早在60、70年代，世界各国就开始有OCR的研究，而研究的初期，多以文字的识别方法研究为主，且识别的文字仅为0至9的数字。以同样拥有方块文字的日本为例，1960年左右开始研究OCR的基本识别理论，初期以数字为对象，直至1965至1970年之间开始有一些简单的产品，如印刷文字的邮政编码识别系统，识别邮件上的邮政编码，帮助邮局作区域分信的作业；也因此至今邮政编码一直是各国所倡导的地址书写方式。
OCR可以说是一种不确定的技术研究，正确率就像是一个无穷趋近函数，知道其趋近值，却只能靠近而无法达到，永远在与100%作拉锯战。因为其牵扯的因素太多了，书写者的习惯或文件印刷品质、扫描仪的扫瞄品质、识别的方法、学习及测试的样本……等等，多少都会影响其正确率，也因此，OCR的产品除了需有一个强有力的识别核心外，产品的操作使用方便性、所提供的除错功能及方法，亦是决定产品好坏的重要因素。
一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少、识别出的文字可再使用及分析，当然也可节省因键盘输入的人力与时间。其处理流程如下图：
从影像到结果输出，须经过影像输入、影像前处理、文字特征抽取、比对识别、最后经人工校正将认错的文字更正，将结果输出。
在此逐一介绍：
影象输入：欲经过OCR处理的标的物须透过光学仪器，如影像扫描仪、传真机或任何摄影器材，将影像转入计算机。科技的进步，扫描仪等的输入装置已制作的愈来愈精致，轻薄短小、品质也高，对OCR有相当大的帮助，扫描仪的分辨率使影像更清晰、扫除速度更增进OCR处理的效率。
影象前处理：影像前处理是OCR系统中，须解决问题最多的一个模块，从得到一个不是黑就是白的二值化影像，或灰阶、彩色的影像，到独立出一个个的文字影像的过程，都属于影像前处理。包含了影像正规化、去除噪声、影像矫正等的影像处理，及图文分析、文字行与字分离的文件前处理。在影像处理方面，在学理及技术方面都已达成熟阶段，因此在市面上或网站上有不少可用的链接库；在文件前处理方面，则凭各家本领了；影像须先将图片、表格及文字区域分离出来，甚至可将文章的编排方向、文章的题纲及内容主体区分开，而文字的大小及文字的字体亦可如原始文件一样的判断出来。
文字特征抽取：单以识别率而言，特征抽取可说是OCR的核心，用什么特征、怎么抽取，直接影响识别的好坏，也所以在OCR研究初期，特征抽取的研究报告特别的多。而特征可说是识别的筹码，简易的区分可分为两类：一为统计的特征，如文字区域内的黑/白点数比，当文字区分成好几个区域时，这一个个区域黑/白点数比之联合，就成了空间的一个数值向量，在比对时，基本的数学理论就足以应付了。而另一类特征为结构的特征，如文字影像细线化后，取得字的笔划端点、交叉点之数量及位置，或以笔划段为特征，配合特殊的比对方法，进行比对，市面上的线上手写输入软件的识别方法多以此种结构的方法为主。
对比数据库：当输入文字算完特征后，不管是用统计或结构的特征，都须有一比对数据库或特征数据库来进行比对，数据库的内容应包含所有欲识别的字集文字，根据与输入文字一样的特征抽取方法所得的特征群组。
对比识别：这是可充分发挥数学运算理论的一个模块，根据不同的特征特性，选用不同的数学距离函数，较有名的比对方法有，欧式空间的比对方法、松弛比对法（Relaxation）、动态程序比对法（Dynamic Programming，DP），以及类神经网络的数据库建立及比对、HMM（Hidden Markov Model）…等着名的方法，为了使识别的结果更稳定，也有所谓的专家系统（Experts System）被提出，利用各种特征比对方法的相异互补性，使识别出的结果，其信心度特别的高。
字词后处理：由于OCR的识别率并无法达到百分之百，或想加强比对的正确性及信心值，一些除错或甚至帮忙更正的功能，也成为OCR系统中必要的一个模块。字词后处理就是一例，利用比对后的识别文字与其可能的相似候选字群中，根据前后的识别文字找出最合乎逻辑的词，做更正的功能。
字词数据库：为字词后处理所建立的词库。
人工校正：OCR最后的关卡，在此之前，使用者可能只是拿支鼠标，跟着软件设计的节奏操作或仅是观看，而在此有可能须特别花使用者的精神及时间，去更正甚至找寻可能是OCR出错的地方。一个好的OCR软件，除了有一个稳定的影像处理及识别核心，以降低错误率外，人工校正的操作流程及其功能，亦影响OCR的处理效率，因此，文字影像与识别文字的对照，及其屏幕信息摆放的位置、还有每一识别文字的候选字功能、拒认字的功能、及字词后处理后特意标示出可能有问题的字词，都是为使用者设计尽量少使用键盘的一种功能，当然，不是说系统没显示出的文字就一定正确，就像完全由键盘输入的工作人员也会有出错的时候，这时要重新校正一次或能允许些许的错，就完全看使用单位的需求了。
结果输出：其实输出是件简单的事，但却须看使用者用OCR到底为了什么？有人只要文本文件作部份文字的再使用之用，所以只要一般的文字文件、有人要漂漂亮亮的和输入文件一模一样，所以有原文重现的功能、有人注重表格内的文字，所以要和Excel等软件结合。无论怎么变化，都只是输出档案格式的变化而已。
OCR （Optical Character Recognition，光学字符识别）是指电子设备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。一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少、识别出的文字可再使用及分析，当然也可节省因键盘输入的人力与时间。如何除错或利用辅助信息提高识别正确率，是OCR最重要的课题。
衡量一个OCR系统性能好坏的主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。因为其牵扯的因素太多了，书写者的习惯或文件印刷品质、扫描仪的扫描品质、识别的方法、学习及测试的样本……等等，多少都会影响其正确率，也因此， OCR的产品除了需有一个强有力的识别核心外，产品的操作使用方便性、所提供的除错功能及方法，亦是决定产品好坏的重要因素。
这个技术的门槛相当的高，目前能做中文OCR识别的公司并不多，所以那些独立开发者开发的OCR软件，一般都是借用大公司的API接口。大多数的OCR识别软件要么识别准确率较低，或者部分符号识别有点问题，要么识别完之后只能看到识别结果，看不到原图，不方便对比查错。
所以这种时候认准大公司、老牌公司一般没错。科技针对国内市场发布了更具本地化的PDF专家产品，它不仅能将中文OCR识别做的极为出色，同时还能对多语种进行OCR文字识别，包括日语、德语、西班牙语、葡萄牙语、意大利语等基本所有的主流语种。这是其他大部分OCR识别软件难以实现的一个技术。同时，PDF专家还可以进行区域OCR识别，避免了繁琐的全文识别，减少了算力的浪费，大大提升了使用的便捷程度和舒适度。
坚果智云扫描