最近有人問我 OCR 辨識出來的文件，如何不讓人發現「不是用 OCR」弄出來的？
離學生時代好像也有點遠了。記得從文件的格式中，的確有時可以「聞」出有沒有「OCR 味道」；從標點及錯字，可以猜打字的輸入法是什麼；如果沒限定格式的話，從標點、Word 檔的排版的方式也如筆跡一般，多少可以反映出一個人「寫字」的風格（慣用的字型樣式、段落格式等等）。
要「洗掉」不是屬於自己的痕跡，大概除了逐字檢視重編，大概沒有其他的辦法。只是覺得奇怪的是過了這麼多年，OCR軟體好像沒有什麼特別的進步，輸出的東西還是那個樣子，到底是怎麼回事呢？難道增加「去除多餘的空格」、「中文段落使用全形符號」這樣的功能，會比辨識圖形要困難嗎？
隨便看，隨便寫。
3 則留言:
看你用的版本。如果是中文的，大概是清華。清華從2000左右沒有更新過「主程式」，只有介面小改過。似乎是公司賣給別家，把OCR研發部門給解散了
話說回來，連IBM via voice這麼好用的軟體都因為賣不好而研發停止，部門賣掉，何況大陸。
說到中文OCR，我從北京工學院的版本開始用到現在，還沒有一個真的「好用」的，像清華，也只是掃「大陸文」堪用而已
我以前用的是丹青 4.0，後來就沒再用了，剛剛 Google 找了一下，發現後面更新的版本只有 4.5 還有無法確認真假的 5.0，公司網站好像沒找到，不知道是不是掛了？
講起來電腦軟體的發展也很怪，說、寫、光學辨識這些輸入資料的方法上個世紀就有，到現在沒什麼大改進，倒是不斷投注大量的運算能力，讓畫面看起來更炫。（然後這真的很重要嗎？）希望實驗室裡的電腦科學家是忙著搞腦波輸入，以後用想的就變成文字/圖形/聲音，這樣應當是方便多了... XD
沒記錯的話，丹青的「辨認核心」也是買清華的授權，蒙恬後來出的也是。
早期做scanner幾家公司，有一家大概作了自己的OCR核心，認大陸文是一團糟，好像是mustek的樣子。後來也改bundle丹青
辨認正確率低，因為電腦認「pattern」的方式，必須先把信號「類比」轉「數位」，然後再用比對的percentage決定辨認準確度。在這一點上，目前的軟體工程沒有解決方案。這是硬體工作原理的問題。
應該這麼說，人腦這部「硬體」的工作原理太複雜，我們沒有能力「模擬」，日本的類神經電腦至少發展將近20年，還沒搞出什麼真正的突破。倒是美國人走「演算法」的路，至少搞出像是RAR，JPG，MP3這些好用但不複雜的規格，但是這些是副產品，「電腦模擬人腦」這件事，其實沒多大進展。
張貼留言