OCR的实现共分为两步，1是使用字符数据来训练OCR。2是使用OCR进行字符的识别。

训练分类器

　　训练分类器共分为4步：

1是使用阈值来分割字符区域；

2是调用append_ocr_trainf函数将字符加入训练集；

3是创建分类器；

4是调用trainf_ocr_class_mlp函数来训练分类器。

*对字符进行训练得到分类器 TrainingNames := ['F','M','1','4','A','4','2'] FontName := 'F:/YM_Project/SZWX/work_x32_MFOL2/function/MFOL2' TrainingFileName := FontName+'.trf' *当dev_set_check的参数为'~give_error'时，这次检测会被忽略，程序进入后面的操作。 dev_set_check ('~give_error') *删除指定位置的文件 delete_file (TrainingFileName) for i := 0 to |TrainingNames|-1 by 1select_obj (FinalNumbers, CharaterRegions, i+1)*将字符CharaterRegions添加到训练集TrainingFileName中append_ocr_trainf (CharaterRegions, FourthDarkImage, TrainingNames[i], TrainingFileName)disp_message (WindowID, TrainingNames[i], 'image', MeanRow-40, Column[i]-6, 'yellow', 'false') endfor *tuple_uniq( : : Tuple : Uniq) *相邻重叠的元组只保留一个。常用于tuple_sort( : : Tuple : Sorted)之后，tuple_sort是升序排列。 CharNames := uniq(sort(TrainingNames)) *创建mlp create_ocr_class_mlp (8, 10, 'constant', 'default', CharNames, 5, 'none', 10, 42, OCRHandle) *使用训练集来训练mlp trainf_ocr_class_mlp (OCRHandle, TrainingFileName, 200, 1, 0.01, Error, ErrorLog) write_ocr_class_mlp (OCRHandle, FontName) clear_ocr_class_mlp (OCRHandle)

使用分类器进行识别
　　使用分类器进行字符识别的函数有两个：1是do_ocr_multi_class_mlp，该函数对一幅图像内的多个字符进行一次分类并输出分类结果。2是do_ocr_single_class_mlp，该函数是对一幅图像中的单个字符进行分类。两者的对比试验表明，后者的分类准确度要高，因此，下文使用do_ocr_single_class_mlp算子进行字符的分类。 
　　分类的实现分为４步：1是读取分类器；2是读取图片；3是分割单个字符；４分类

*Step1根据分类器来分类 read_ocr_class_mlp (FontName, OCRHandle) *Step2读取图片获得每一个图像 read_image (Image, 'F:/YM_Project/SZWX/1024SZWX/SVS900_XFMT1X110_CR6030_S1_4.bmp') *Step３分割单个字符 gen_rectangle1 (Rectangle1, 43, 2243, 707, 3675) reduce_domain (Image, Rectangle1, ImageReduced1) crop_domain (ImageReduced1, ImagePart) median_image (ImagePart, ImageReduced1, 'circle', 3, 'mirrored') threshold (ImageReduced1, Regions, 84, 255) opening_circle (Regions, RegionOpening, 3.5) connection (RegionOpening, ConnectedRegions) select_shape (ConnectedRegions, Numbers, 'area', 'and', 1000, 9999) count_obj (Numbers, CharacterNums) ArrayConfidence := [] for IndexCharacter := 1 to CharacterNums by 1select_obj (Numbers, CharacterSelected, IndexCharacter) *Step４分类do_ocr_single_class_mlp(CharacterSelected, ImagePart, OCRHandle,1, Class, Confidence)ArrayConfidence := [ArrayConfidence,Confidence] endfor

关键函数解析

create_ocr_class_mlp( : : WidthCharacter, HeightCharacter, Interpolation, Features, Characters, NumHidden, Preprocessing, NumComponents, RandSeed : OCRHandle)WidthCharacter：输入被分割的字符缩放到指定的宽度 HeightCharacter： Interpolation：设置缩放的字符的缩放模式，对于多数应用而言，Interpolation = 'constant'。请注意：转换后的字符大小不能太大，因为分类器对较大尺寸的字符分类效果并不好。特别是，如果尺寸较大，一些小的分割误差会较大程度上影响分类的效果，一般情况下，sizes between 6x8 and 10x14 Features：分类的特征向量的长度 Characters：输出层神经元的个数；也就是是需要匹配的字符查阅表中字符的个数。 NumHidden：MLP中隐藏层神经元的个数 Preprocessing：矢量特征装换的预处理类型 NumComponents：匹配字符的数量 这两个参数主要是对输入的值进行预处理。RandSeed：初始化mlp OCRHandle：输出OCR_mlp分类器句柄

trainf_ocr_class_mlp( : : OCRHandle, TrainingFile, MaxIterations, WeightTolerance, ErrorTolerance : Error, ErrorLog)
训练一个神经网络分类器

do_ocr_multi_class_mlp(Character, Image : : OCRHandle : Class, Confidence)
使用OCR分类多个字符
Character是字符区域
Image是字符图片
OCRHandle是分类器句柄
Class是输出的类别
Confidence是输出的分类精度

do_ocr_single_class_mlp(CharacterSelected, ImagePart, OCRHandle,1, Class, Confidence)
分类单个字符，其分类效果比上述同时分类多个字符的效果要好
--------------------- 
作者：罗泽 
来源：CSDN 
原文：https://blog.csdn.net/u013698770/article/details/53842205 
版权声明：本文为博主原创文章，转载请附上博文链接！

总结

以上是生活随笔为你收集整理的Halcon中OCR的实现及关键函数解析的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。