目錄

前言

最近在做研究時，常常需要把圖像中的數據紀錄下來。例如像下邊這張圖，需要手動把每一個標籤上的面積記錄到Excel中。同樣的圖有十幾張，一張圖有50到150個標籤。以人工一筆一筆紀錄，費時費勁又容易出錯，不如寫個程式讓電腦來辨識文字。

以程式辨識印刷字體這項技術有個專有名稱叫做「光學字元辨識 (OCR, Optical Character Recognition)」，在資訊工程裡已被研究多年，現今已經發展成熟。目前OCR技術以開源專案Tesseract OCR最流行，Python可以透過PyTesseract來使用，C#的emguCV把TesseractOCR包裝進去可以直接使用，Matlab則是把它放入Computer vision toolbox裡面，只要下載好toolbox就能用了。

由於使用OCR時需要像機器學習一樣，給OCR引擎餵訓練集，並且人工修正訓練資料。因此前期開發需要大量人力。過去我曾使用過C#的emguCV，搭配jTessBoxEdtor來訓練OCR引擎。但使用上較不方便，需要花上大量時間與精力才能完成訓練。Matlab提供了一個簡單的界面讓我們可以快速修正資料，因此在使用過後我個人認為是最輕鬆的。下面就來介紹整體的使用方法。

以Matlab來使用OCR

安裝 Computer vision toolbox

在Matlab裡找到Home → Add-Ons → Get Add-Ons，打開Add-Ons Explorer

搜尋"Computer vision toolbox"，在頁面中點擊Install即可。(我已經安裝了，所以Install按鈕換成Open documentation和Manage了)

擷取影像文字

在做影像處理(Image Processing)時，都要先對影像做預處理(Preprocessing)，把雜訊去除以得到更佳的結果。在做OCR時以不例外，我們需要先將影像裡文字的部分擷取出來，之後電腦辨識效果才會好。

我針對上圖把白底的文字標籤擷取出來，並把每個標籤另存成新的圖檔。代碼如下：

files = dir('*.jpg'); %取得所有圖檔
i = 1; %圖像流水號
for file = files' 
	im = imread(file.name);
	gray = rgb2gray(im); %轉灰階
	thres = 200; 
	bw = gray > thres; %二值化，閾值需調整
	bwfill = imfill(bw,'holes'); %填滿內部孔洞
	minArea = 4000;
	bwfill = bwareaopen(bwfill,minArea); %刪去雜訊，閾值需調整
	props = regionprops(bwfill); %計算各區域性質
	for prop = props'
		cropped = imcrop(im, prop.BoundingBox); %擷取文字框
		imwrite(cropped,"Labels\\label-" + i + ".jpg"); %另存圖檔 
		i = i + 1;
	end
end

其中以灰階後顏色數據 > 200 作為判斷文字框的依據，這點需要針對不同狀況做修改。另外我還用bwareaopen()把一些小雜訊去除，這點也是需要根據圖像品質來調整。

擷取好的文字影像就像這樣：