OCR

Optical Character Recognition，光学字符识别，一种通过扫描后将文本转换为可编辑数字文本的技术。通过使用图像处理和机器学习等技术，OCR可以将印刷文本转换为计算机可读的数字文本，从而实现对文本的数字化处理和自动化识别。

字符集

Character set，用于表示所有可识别字符的特定字符集合。每个字符集包含的字符个数不同，有些字符集只包含基本的字母和数字，而有些则包含大量的符号和特殊字符。

分段

Segmentation，图像预处理的一个步骤，将文本块从整个图像中分离出来。

二值化

Binarization，将文本图像转换为只包含黑色和白色像素的图像。这种处理方法的优点是能够简化图像处理过程，提高处理效率。

预处理

Preprocessing，识别前对文本图像进行处理的过程，包括去除噪声、增强对比度等。

切割

Snapping，将图像中的字符切割成单独的字符，方便后续的字符识别和处理。

识别率

Recognition rate，OCR系统正确识别字符的比率。识别率的计算公式为：（正确识别的字符数 / 总字符数） × 100%。识别率越高，说明OCR系统的性能越好，识别效果越准确。在实际应用中，识别率是评价OCR系统性能的重要标准之一，也是用户选择OCR系统的重要依据之一。

矩形化

Rectification，对文本图像进行矫正，使字符出现在一个水平或垂直的矩形内。通过矩形化处理，文本图像中的字符可以被统一到一个标准的排列方式，有助于提高OCR系统的识别准确率和处理速度。同时，矩形化处理还可以消除由于拍摄角度、纸张弯曲等因素导致的字符倾斜、扭曲等问题，使得后续的字符识别更加准确和可靠。

特征提取

Feature extraction，指从原始图像中提取出一些具有代表性的特征，这些特征可以用于描述图像的内容和结构。在文本图像识别中，特征提取是关键步骤之一，它可以帮助机器更好地理解和识别文本信息。

文本框检测

Text frame detection，在图像中识别和定位文本框的位置和大小的过程，可以帮助确定需要识别的文本区域，使OCR只检测感兴趣区域，从而减少OCR系统的计算量和误差。

字符识别

Character recognition，使用OCR技术将扫描的文本图像转换为数字文本的过程。

逐字识别

Character by character recognition，OCR系统按照文本图像中字符的顺序，逐个字符进行识别的过程。在逐字识别中，OCR系统通常会处理单个字符的图像，因此可以更加细致地处理每个字符的细节和特征。它可以提高字符识别的准确率和可靠性，并且方便进行校对和修正。

神经网络

Neural network，一种模拟人脑神经元结构的计算模型，由多个神经元组成，通过训练和学习进行模式识别和预测等任务，常用于OCR中的字符识别。

语言模型

Language Model，对于自然语言处理（NLP）任务，如OCR，区分不同单词的语法和上下文规则的统计模型。

改写

Rewriting，通过重新排列和连接字符来识别单个字符的技术，可以有效地识别出单个字符，并且在遇到不同的字符和字体时具有良好的适应性。

同形异义

Homophone，在OCR中，指具有相同发音但含义不同的单词。

最小编辑距离（Minimum edit distance）：在OCR中，用于计算已知单词和OCR结果之间的差异。

形态学处理

Morphological processing，一种基于数学形态学的图像处理方法，用于分析和处理图像中的形状和结构。在OCR图像处理中，形态学处理可以采用腐蚀、膨胀等方式去除噪声和细节，从而提高OCR识别的准确性和可靠性。

腐蚀操作可以将图像中的每个像素与其周围的像素进行比较，如果周围的像素值比当前像素值小，则将当前像素值降低。腐蚀操作可以用来消除小的噪声点和突出的细节，使图像更加平滑。膨胀操作是将图像中的每个像素与其周围的像素进行比较，如果周围的像素值比当前像素值大，则将当前像素值提高。膨胀操作可以用来扩大图像中的亮区域，使得一些小的连通区域合并成一个大的连通区域。

字符序列

Character sequence，在OCR中，将多个字符组合在一起，以建立单词和句子的概念。