快速屏幕字体OCR技术还是API？

Question

我想知道是否有任何技术/ API可用于快速屏幕字体OCR？

以下是理所当然的：

• OCR的文本应来自截图，并使用屏幕字体进行渲染
• OCR的文字可能会或可能不会消除锯齿
• 抗锯齿可能会或不会使用RGB抽取（也称为子像素AA又名ClearType等）。
• 截图可能是RGB或RBG顺序
• 基线很容易找到（只需查看所有屏幕字体：基线显得非常清晰，并且很容易通过算法找到）
• 允许很多错误（字符识别根本不需要100％正确）
• 字体基本上是预先知道的，但字体的呈现方式不是（大小未知，颜色未知，抗锯齿的类型未知）。基本上所知道的是它将是非常常见的字体

所以我认为它并不像“真正的”OCR那样复杂：找到基线并“切割”每个角色很容易做到（我已经完成了）。

有没有人知道特定的技术或论文，甚至API都可以做到这样的壮举？

请注意：关于屏幕抓取，这个问题不。有关破解CAPTCHA的问题不。关于常规OCR，这个问题不（如OCR扫描文本）。关于GUI自动化的问题不（尽管有些人可能会这样使用）。

Answer 1

我对不变的时刻有很好的经验（例如胡的时刻，但它们可能也不多 onvariant为您的目的，因为您有预定义的方向）与特征提取配对 聚类分析（我用Mahalanobis距离得到了很好的结果） 如果您对纯Java解决方案感兴趣，请参阅我们的SF项目：

http://sourceforge.net/projects/javaocr/

这也适用于Android手机。

（欢迎帮助）

Answer 2

您可以尝试实施LAMSTAR，如Daniel Graupe＆＃34;人工神经网络原理＆＃34; （1997年），第13章。

基本上涉及：

• 划分您的＆＃34;输入＆＃34;进入＆＃34;子词＆＃34; （他采用了像素序列细分图像的例子，每列一个子字和每行一个子字）
• 每个子词都被输入动态KSOM（Kohonen自组织映射），它将归一化的子词分类为不同数量的类别
• 每个KSOM都是Winner-Take-All分类器，其中一个输出为1，其他输出为0
• 然后，输出与＆＃34;链接权重线性组合到输出层＆＃34;，具有非线性激活函数（例如逻辑函数），输出神经元的激励为您提供了一个序列这代表了公认的角色。

LAMSTAR的优势在于一切都是可追溯的：

• 您可以通过考虑您提供的输入来了解NN所看到的内容，
• 您可以通过观察KSOM分类的结果来了解NN认为的内容。
• 您可以通过考虑特定K-SOM的重量向量来了解NN想要看到的内容
• 您可以通过比较链接权重来了解NN真正认为重要的内容（以及它忽略的图像的哪些部分）。