快速屏幕字体 OCR 技术或 API？ [关闭]

Question

我想知道是否有任何技术/API 可用于进行快速屏幕字体 OCR？

以下是理所当然的：

• OCR 的文本应来自屏幕截图并应使用屏幕字体呈现
• OCR 的文本可能会或可能不会消除锯齿
• 抗锯齿可能使用也可能不使用 RGB 抽取（又名子像素 AA 又名 ClearType 等）
• 屏幕截图可能是 RGB 或 RBG 顺序
• 基线很容易找到（只需查看所有屏幕字体：基线显示非常清晰，很容易通过算法找到）
• 允许出现很多错误（字符识别根本不需要 100% 正确）
• 字体基本上是事先知道的，但字体具体如何渲染却不知道（大小不知道，颜色不知道，抗锯齿的类型不知道）。基本上已知的是，它将是非常常见的字体

所以我想它并不像“真正的”OCR 那样复杂：找到基线并“剪切”每个字符很容易做到（我已经做到了）。

有没有人知道具体的技术或论文，甚至是 API 允许做这样的壮举？

请注意：这个问题不是关于屏幕抓取的。这个问题不是关于破解验证码的。这个问题不是关于常规 OCR（如对扫描文本进行 OCR）。这个问题不是关于 GUI 自动化（尽管有些人可能会这样使用它）。

Answer 1

我在不变矩方面有很好的经验（例如 Hu 矩，但它们可能也很少 onvariant 用于您的目的，因为您有预定义的方向）用于特征提取配对 聚类分析（我用马氏距离得到了非常好的结果）。
如果您对纯 java 解决方案感兴趣，这里是我们的 SF 项目：

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

这也适用于安卓手机。

（欢迎帮助）

Answer 2

您可以尝试按照 Daniel Graupe 的“人工神经网络原理”（1997 年）第 13 章中的描述实现 LAMSTAR。

主要涉及：

• 将“输入”划分为“子字”（他以像素序列细分图像为例，每列一个子字，每行一个子字）
• 每个子词都被输入到动态 KSOM（Kohonen 自组织图）中，该图将归一化的子词分为不同数量的类别
• 每个 KSOM 都是赢家通吃的分类器，其中一个输出为 1，所有其他输出为 0
• 然后，输出与“到输出层的链接权重”进行线性组合，具有非线性激活函数（例如逻辑函数），输出神经元的激发会为您提供代表识别字符的位序列.

LAMSTAR 的优势在于一切都可追溯：

• 您可以通过考虑您提供的输入来了解 NN 看到的内容，
• 您可以通过观察 KSOM 的分类结果来了解 NN 认为它看到了什么。
• 您可以通过考虑特定 K-SOM 的权重向量来了解 NN 想要看到的内容
• 您可以通过比较链接权重来了解 NN 真正认为重要的是什么（以及它忽略了图像的哪些部分）。