OCR

Optical Character Recognition，光學字符識別，一種通過掃描后將文本轉換為可編輯數字文本的技術。通過使用圖像處理和機器學習等技術，OCR可以將印刷文本轉換為計算機可讀的數字文本，從而實現對文本的數字化處理和自動化識別。

字符集

Character set，用于表示所有可識別字符的特定字符集合。每個字符集包含的字符個數不同，有些字符集只包含基本的字母和數字，而有些則包含大量的符號和特殊字符。

分段

Segmentation，圖像預處理的一個步驟，將文本塊從整個圖像中分離出來。

二值化

Binarization，將文本圖像轉換為只包含黑色和白色像素的圖像。這種處理方法的優點是能夠簡化圖像處理過程，提高處理效率。

預處理

Preprocessing，識別前對文本圖像進行處理的過程，包括去除噪聲、增強對比度等。

切割

Snapping，將圖像中的字符切割成單獨的字符，方便后續的字符識別和處理。

識別率

Recognition rate，OCR系統正確識別字符的比率。識別率的計算公式為：（正確識別的字符數 / 總字符數） × 100%。識別率越高，說明OCR系統的性能越好，識別效果越準確。在實際應用中，識別率是評價OCR系統性能的重要標準之一，也是用戶選擇OCR系統的重要依據之一。

矩形化

Rectification，對文本圖像進行矯正，使字符出現在一個水平或垂直的矩形內。通過矩形化處理，文本圖像中的字符可以被統一到一個標準的排列方式，有助于提高OCR系統的識別準確率和處理速度。同時，矩形化處理還可以消除由于拍攝角度、紙張彎曲等因素導致的字符傾斜、扭曲等問題，使得后續的字符識別更加準確和可靠。

特征提取

Feature extraction，指從原始圖像中提取出一些具有代表性的特征，這些特征可以用于描述圖像的內容和結構。在文本圖像識別中，特征提取是關鍵步驟之一，它可以幫助機器更好地理解和識別文本信息。

文本框檢測

Text frame detection，在圖像中識別和定位文本框的位置和大小的過程，可以幫助確定需要識別的文本區域，使OCR只檢測感興趣區域，從而減少OCR系統的計算量和誤差。

字符識別

Character recognition，使用OCR技術將掃描的文本圖像轉換為數字文本的過程。

逐字識別

Character by character recognition，OCR系統按照文本圖像中字符的順序，逐個字符進行識別的過程。在逐字識別中，OCR系統通常會處理單個字符的圖像，因此可以更加細致地處理每個字符的細節和特征。它可以提高字符識別的準確率和可靠性，并且方便進行校對和修正。

神經網絡

Neural network，一種模擬人腦神經元結構的計算模型，由多個神經元組成，通過訓練和學習進行模式識別和預測等任務，常用于OCR中的字符識別。

語言模型

Language Model，對于自然語言處理（NLP）任務，如OCR，區分不同單詞的語法和上下文規則的統計模型。

改寫

Rewriting，通過重新排列和連接字符來識別單個字符的技術，可以有效地識別出單個字符，并且在遇到不同的字符和字體時具有良好的適應性。

同形異義

Homophone，在OCR中，指具有相同發音但含義不同的單詞。

最小編輯距離（Minimum edit distance）：在OCR中，用于計算已知單詞和OCR結果之間的差異。

形態學處理

Morphological processing，一種基于數學形態學的圖像處理方法，用于分析和處理圖像中的形狀和結構。在OCR圖像處理中，形態學處理可以采用腐蝕、膨脹等方式去除噪聲和細節，從而提高OCR識別的準確性和可靠性。

腐蝕操作可以將圖像中的每個像素與其周圍的像素進行比較，如果周圍的像素值比當前像素值小，則將當前像素值降低。腐蝕操作可以用來消除小的噪聲點和突出的細節，使圖像更加平滑。膨脹操作是將圖像中的每個像素與其周圍的像素進行比較，如果周圍的像素值比當前像素值大，則將當前像素值提高。膨脹操作可以用來擴大圖像中的亮區域，使得一些小的連通區域合并成一個大的連通區域。

字符序列

Character sequence，在OCR中，將多個字符組合在一起，以建立單詞和句子的概念。