扫描仪高效OCR的关键 赵巍 张英 2001年 3期 #1 1.资料扫描要完整 　　 单页材料倒无所谓，扫描书籍时要特别注意书脊部分。如果压得不平，靠近书脊的部分有可能扫描不到，识别当然无从谈起。此外，材料要尽可能放置得靠近扫描框的前部（上部），因为多数扫描仪常常扫描不到靠近扫描框下部的部分。 　　#1 2.矫正位置 　　 扫描后识别前，应该首先把调入的文件放正再识别，放置倾斜，识别率会大大降低。位置校正有手动和自动两种，最好选用自动。低版本的OCR软件常会发现自动校正功能无缘无故地失灵，这时只好用手动。 　　#1 3.设置恰当的扫描分辨率 　　 分辨率设置不当，低版本的OCR软件可能根本无法识别。扫描仪的默认值通常是300dpi，适用于大多数文字材料。如果需扫描的字太小，分辨率应酌情加大，特别小的字可加大到500dpi～600dpi。当然，字号大，分辨率应该缩小，对于较大字号可用100dpi～150dpi。 　　#1 4.清理页面 　　 提高识别率，关键的关键是页面的清洁。有些印刷品的纸张和印刷质量很差。扫描后可以清晰地看出页面上布满污点，而且笔划残缺，页面不经清理，计算机很难辨认。其实，肉眼看上去印刷质量似乎不错的原始材料也难免出现这种情况。因此必须首先清理页面再识别。通过图像处理软件手动清理，费时费力。高效、快速的方法是通过调整图像对比度和亮度来清理。首先要注意，扫描要使用256灰度，不要使用黑白二值。我通常使用Photoshop在扫描之后进行页面清理。Photoshop的图片处理功能要比其它软件强大得多，使用也方便得多。使用的方法是，在Photoshop打开需要处理的文件，选主菜单/image/adjust/levels，调整output或者input的对比度和亮度均可。^03050602a^1所示，是调整input level的页面。调整时要注意页面的变化，要调到污点清除而字体最真切。为了清晰地观察调整的效果，最好先放大图像。这种页面清理也可以通过扫描仪所附的设置完成，通常是在预扫描之后终扫描之前进行，比如纸张不好的报纸，可把对比度调到100%，把亮度调到-30～-20，会得到满意的扫描结果（^03050602b^2）。 　　 注意：不管通过哪种途径进行调整，最后都要把灰度格式变到黑白，否则OCR软件不能识别。如果使用的是Photoshop，更改方法是打开主菜单/image/mode，选中bitmap即可。 　　 为了得到最清洁的页面，对比度和亮度的调整会因使用的程序的不同而不同。比如Photoshop的值就不同于扫描仪。而不同的原始材料，最佳值可能相距甚远。有时扫描同一本书，比如书页的纸张也可能有差异，因此也必须采用不同的对比度和亮度。使用多了，便会有经验，很容易就会调到最佳值。 　　#1 5.省去预扫描，节约时间 　　 预扫描为的是确定扫描范围，除此并没有其他目的。在处理大量页面相同的材料时，为了节省时间，可以仅仅预扫描第一页，其余页面不必再进行预扫描。扫描第一页时，记好在扫描框上放置的位置，以后各页都按此放置即可。TH-OCR MF7.5有一项设置，允许直接扫描而不进行预扫描，很方便。设置的方法是，打开主菜单的“文件”，选中“直接终扫”。 　　#1 6.直接打印 　　 如果仅仅想把材料保存下来，而需要保存的材料又不多，纸张和印刷质量也还可以，扫描后也可以不进行文字识别，直接打印。这种方法等于复印，因此绝对不会出现识别错误之类的问题。但是，这种处理办法是把文字材料当作图片，占用空间当然很大，不适合一次处理量大的资料。同时，扫描仪的精度比复印机高得多，哪怕纸张上有一点微疵它都会扫描出来。因此，为了得到干干净净的复制品，在打印前应先进行页面清理为好。除非原始材料的印刷质量和用纸非常好，否则，打印出的材料会出现污点。 　　#1 7.使用高版本OCR软件扫描 　　 目前大多数用户使用的文字识别软件是清华紫光的TH-OCR，自MF7.5版本起，功能增强许多。就以矫正位置来说吧，以前的版本不论自动还是手动，不但有时作不到精确的矫正，影响识别率，还常常在矫正时发生故障。MF7.5版本的自动矫正功能则得心应手。再比如，以前的版本在识别后总要遗留下极占空间的垃圾文件，硬盘小，会被它们撑破的。经设置，MF7.5版本可以自动消除这些垃圾。再有，这种版本的适应性大大提高了，因此对印刷和纸张质量的要求不再那么苛刻。纸张和印刷质量即使低劣些它的识别率也相当高。