ABBYY开发人员对FineReader的解读

ABBYY FineReader该怎么用？作为ABBYY OCR产品识别技术的开发人员，笔者将以ABBYY最有名的识别技术软件FineReader为例来解读现代OCR技术的专业用途。笔者认为的“技术”是什么意思呢?——有时候，所有的技术模块(软件可见的终端用户的部分)都包含在“识别引擎”这个定义之中，这并不完全正确：这些模块不仅识别字符，还有其他的功能，小文将在后面为大家介绍

FineReader软件有哪些功能?

目前任何电脑端FineReader版本都可以自动完成所有步骤：从使用扫描仪或相机拍摄图像开始，或从图像文件开始，到将处理结果导出为某种 文件格式或导出到指定软件之中，都不需要用户在屏幕上进行操作。该程序自身能够“识别”(笔者沿用了这种说法，因为FineReader会定义文本段落和 图片的位置，对图像中的图像文字部分进行OCR处理，生成一个文件，并将该文件保存为用户指定的文件格式)出用户的全部需求。

那么，用户需要做什么呢?

事实上，用户通常什么都不用做：他(她)只需要给软件下达指令，然后就可以得到结果了。有时用户不满意自动处理的结果，但用户通常会这样想：“真倒霉…算了。”

不幸的是，他们有些人并不知道，除了运行程序时显示的“快速任务”窗口，还可以通过若干其他方法来管理软件的性能。这些方法借助人类智慧，能够克服该程序在人工智能方面的缺陷和不足(有时候是根本性的缺陷)。

如何才能学会这些方法呢?下面几种途径都是可行的，必要时可以结合使用多种途径：

· 阅读简短的《用户手册》、《用户手册》全本和在线帮助——它们无疑都很长，但它们相当有用。

· 通读这篇文章。它简短得多，而且作者保证会消除用户对该软件的恐惧，唤醒他们的兴趣，让他们去体验这款软件。

试用该程序(您无法绕过这个阶段)——即便是通过免费试用版，您也可以体验下述实际应用所需的每项功能。

如何开始?

首先，您应该养成习惯，将文档不仅保存为最终需要的格式，还要保存为FineReader文档格式。这样，在处理大型文档时，您不必一步到位， 而是可以分步进行，等方便的时候再回头处理已经识别和核对过的文件，进行自定义导出设置等操作。所有FineReader文档操作都整合在“文件”菜单 中。

没有什么比一个好的理论更实用了，或者说“识别”包含哪些流程

看着那些简短的快捷任务名，如“扫描到PDF”，您很难想象，“扫描”和“PDF”之间涉及多少流程(也就是“到”的含义)。让我们来细探究竟。

“将光栅图像转换为可编辑文本”(不只是“识别”)任务包含着以下几个主要步骤：

1. 获取单页或多页图像(从扫描仪、相机或文件获得)，将其转换成特殊的内部格式，以简化和加速后续操作)。总之，此时程序使用了图像处理子系统，这个系统可以识别、读取和编辑众多的外部格式。

2. 准备图像(失真校正，将双页图像分割成单页，这些都可在“选项”菜单中定制)，这也是由图像处理子系统完成的。

3. 分割或页面布局分析。当确定要识别哪些内容以后，分析子系统会进行分割或页面布局分析。

4. 识别(终于到这一步了!)。由识别子系统(真是个巨大的惊喜，不是吗?)完成。它会生成由若干片段(未来的单词)组成的文本字符串，片段中包含若干无格式 符号(甚至没有分段，只有文本字符串)。如果您对技术细节非常感兴趣，那么可以告诉您，除了所有其他组件，识别子系统还采用了词法子系统和可训练识别机 制，它可以识别FineReader不认识(有时会出现这种情况)的装饰字体和符号。

5. 文件合成(它包括两个阶段：对于页面来说，在识别完单页以后开始;对于文件来说，它是在识别完所有页面之后开始)。正是在这个阶段，定义了文字(除了符号代码)布局和整体结构，生成了整个文件 。这是由合成子系统完成的。

6. 预览和编辑页面图像、区域结构、和识别结果，由Program Cover(程序封面)和编辑子系统完成(可执行文件FineReader.exe就是这个cover)。您可以查看和编辑处理过程中产生的大量信息(从 块结构开始)。当然，用户并不能编辑各个子系统生成的所有信息。最主要的原因是，要显示出自动过程中找到的所有信息，以及它们的功能和关系，用户接口会变 得非常复杂，使用起来很不方便。

将生成的文档转换成各种外部格式，是由导出子系统(这正是我的专长所在)来完成的。在导出之前，子系统并不知道处理结果要导出为哪种格式，或采 用哪种导出方案。因此，文件合成时会同时生成各种导出格式/变体可能需要的若干方式，而Cover会将它们显示出来，就像结果在合适软件中显示的那样。这 会给开发过程带来很大的麻烦：由于相关子系统之间联系紧密，当某个漏洞或功能处于两个子系统的边界之时，职责划分会变得复杂。但我们可以处理这种情况。

为什么有这么多的模块(子系统)?

我们首先要强调的是，笔者在这里只列出了重要的模块，还有一些模块没有列出。例如，扫描子系统的开发过程不是一两天的事情，而是积年累月的过程。不过我们还是说回正题。

首先，10多年来，大批人员开发了“识别技术”项目，并在此基础上开发了众多复杂产品：他们的工作需要进行结构和技术区分，使各自的开发具有或多或少的独立性，同时又能详细地描述各个过程以及其衔接规则，以便它们能够在逻辑上交互配合。

其次，有些产品并没有采用所有的处理阶段(以及实现它们的子系统)，只是采用了其中部分阶段。例如，识别子系统具有其自身的印刷和手写文字识别 子模块，每个子模块又有下属子模块，如处理复杂语言的下属子模块。这种情况与条形码识别模块以及几种图像格式编解码器类似 ：有些产品完全不需要它们。

结果是什么?为什么用户需要它?

如果您不留心这个问题，即便完全正确的OCR结果也可能会让您不满意：此时所有的字符都被找到并正确识别出来，但总体来说，结果并非您所期望的那样。下面我来列出运用FineReader及其功能的常见情况。

将映像文件档案转换成数字格式，在一定程度地保留布局的同时，更轻松地搜索和引用文字片段

在这种情况下，通常将经过处理的文档转换成PDF文件，既保留可见的页面图像(可能并非原始状态，但尽量接近原始状态)，同时增加隐藏的识别文 字层，您可以在各种PDF查看器中搜索、突显、摘引和复制文字。这种存储文件称为“双层PDF”，它是流行的格式，但此外还有其他三种格式。我将在以后 的文章中介绍所有其他格式。熟悉DjVu格式的用户也可以使用类似的存储模式。

“图像遮盖文本”模式的主要优点是，它不需要太多有关被保存文本的结构信息，因为它只是使用原始图像上的坐标信息，将符号和页面的确切位置联系 起来。因此，如果表格没有被准确地自动检测出来(即将它们分成多个毫无关联的文本字符串)，或者文本形成不合逻辑的段落，这都无关紧要：反正您能够找到全 部或绝大多数所需信息;重要的是，字符被正确识别出来了，构成了正确的单词。

利用任何一种常用的文字编辑器，创建类似于原件的格式文件(Microsoft Word、Open Office、LibreOffice Writer等)， 以便对新文件中的大段文字进行后续编辑和重复使用。

保存为RTF、DOCX(针对MS Word)和ODT(针对Writer)格式时支持四种配置，它们彼此各不相同，或侧重于“精确保留原始布局”，或侧重于“易于编辑和修订内容”。日后我 将详细介绍它们之间的差异，但要得到理想的处理结果，关键在于，FineReader要正确地解读文档的布局，理解各个区块及其特性。