想做一個簡單的掃描筆，沒有核心的OCR技術怎麼辦？

01-09

在網上找了些資料看了，開源的OCR識別率不是太好，想做個產品，精度要求比較高。在網上查，核心技術這塊就是以色列的Wizcom公司的最牛B了，漢王跟他們也是合作關係。
沒做過這塊，不知道該怎麼下手。是和Wizcom公司發個郵件問問怎麼合作？我這塊還不知道市場成不成，想先做個東西出來試用下，也不好跟他們說啊。
求指導。

1、找一堆兼職，打字員月薪1萬，然後搞台伺服器，做個客戶端，每次掃描，把圖像發送到伺服器，分配給在線客戶端，讓他們打碼打出來，這叫做雲計算哇

2、安裝office，調用Micorsoft Office Document Imaging (MODI)試試，應該可以很快出成品，參考老馬這篇文章 http://www.comicer.com/stronghorse/water/software/officeocr.htm

在簡體中文Office 2003下
OCR繁體中文、日文、韓文
作者：馬健
郵箱：stronghorse@tom.com
主頁：http://stronghorse.yeah.net
發布：2007.12.08
目錄
一、引子
二、系統配置

1、原理
2、實戰
繁體中文配置
日文配置
韓文配置
簡體中文配置
三、其他討論
一、引子
在簡體中文Office 2003下用Micorsoft Office Document Imaging (MODI)做OCR的步驟為：

先確保MODI已經正常安裝。Office 2003的預設安裝是第一次使用MODI時安裝，Office 2007的預設安裝是不裝，都需要改過來。
在資源管理器里選中某個多頁TIFF文件，從右鍵菜單選擇用Micorsoft Office Document Imaging打開。
打開後，先選擇「工具-&>選項」，對OCR選項進行設置。常規設置是去掉「自動拉伸」、「自動旋轉」選項，再選擇合適的語言。
選擇「工具-&>將文本發送到Word」，在彈出的對話框中選擇「所有頁面」，「在輸出時保持圖片版式不變」，然後選擇默認文件夾，點「確定」，即可開始OCR。
OCR結束後，文本自動發送到Word。預設格式是HTML，當然也可以另存為txt、doc。

與其他商業OCR軟體相比，MODI具有下列特點：

支持多頁TIFF。某些OCR只支持單頁TIFF，OCR以後還需要對結果進行合併。當然MODI支持的TIFF頁數也不是無限的，我個人的經驗是不要超過300頁。單頁TIFF文件可以用免費的TiffToy合併成多頁TIFF，然後再用MODI進行OCR。TiffToy合併時可以選擇每合併多少個文件生成一個新文件。
中文標點、文本段落保持得比較好，後期校對省了很多事。
支持的語言比較多，Office支持的語言基本都支持。但是這一點對大多數用戶來說無法體會，因為正常情況下，MODI只支持英文和當前Office語言（如簡體中文）的OCR，要想支持更多的語言，需要進行一些設置，這就是本文所要討論的內容。當然我並非語言天才，對於亞洲主要語言（中、日、韓）還算有所了解，其他語言一概無知，所以本文的討論也僅限於這三國語言。
提供開放的編程介面。對於軟體開發人員來說，到微軟網站下載一份MODI編程手冊，即可開發出基於MODI的、具有多國語言OCR功能的軟體。

在正式開始討論系統設置前，先透露一點技術背景：

MODI所使用的中、日、韓OCR引擎，均為清華文通的OCR引擎。
由於簡體中文平台的GBK字符集完全覆蓋繁體中文、日文，因此繁體中文、日文的OCR結果在簡體中文Office環境下均為GBK編碼，可以在支持GBK編碼的中文平台下正常顯示、編輯。當然如果覺得繁體中文看起來比較麻煩，也可以用Word的繁簡轉換功能，或TextForever的編碼轉換功能，將GBK繁體轉換成GB編碼的簡體。但是對於韓文來說就沒有這麼美好了，因為目前GBK還不兼容韓文，所以韓文的OCR結果如果想在簡體Office下編輯，大概只能存為HTML或doc文件，然後用Word編輯。
MODI編程手冊可以到這裡下載：
http://www.microsoft.com/downloads/details.aspx?FamilyId=8F93E445-B1CF-4477-A373-E17417D616BCdisplaylang=en

二、系統配置

1、原理

要想讓簡體中文Office 2003能夠OCR繁體、日文、韓文，需要做的工作包括兩個方面：

安裝相關語言的OCR模塊。MODI本身可以看作一個外殼，真正的OCR功能需要靠不同語言的模塊實現。每個語言模塊包括相關DLL文件和數據文件，需要複製到MODI的安裝文件夾下。
告訴MODI，目前有哪些語言的OCR模塊可以使用。這個需要更改註冊表，更改後在MODI的OCR選項里即可選擇對應的語言。

2、實戰

繁體中文配置
找一台安裝了繁體中文Office 2003的機器，進入MODI的安裝文件夾，預設為：
C:Program FilesCommon FilesMicrosoft SharedMODI11.0
將下面的文件複製到安裝了簡體中文Office 2003的相同文件夾下：
TCCODE.UNI
TCPRINT.DAT
TCPRINT2.DAT
TCSERHT.DAT
TCTREE.DAT
TW_BU.DAT

TW_UB.DAT
TWBIG532.DLL
複製完成後，用記事本創建一個reg文件，把下面內容粘貼後存檔：
Windows Registry Editor Version 5.00
[HKEY_CURRENT_USERSoftwareMicrosoftInstallerComponents61BA386016BD0C340BBEAC273D84FD5F]
"1028"=hex(7):28,00,26,00,48,00,42,00,56,00,6e,00,2d,00,7d,00,66,00,28,00,5a,
00,58,00,66,00,65,00,41,00,52,00,36,00,2e,00,6a,00,69,00,4f,00,43,00,52,00,
5f,00,31,00,30,00,32,00,38,00,3e,00,7d,00,60,00,45,00,4d,00,61,00,65,00,2c,
00,37,00,71,00,39,00,2a,00,44,00,58,00,64,00,55,00,40,00,45,00,50,00,69,00,

3d,00,00,00,00,00
雙擊此reg文件導入註冊表後，在MODI的OCR選項卡里，「OCR語言」即可看到「中文（繁體）」。注意導入註冊表時必須先關閉所有MODI窗口，導入後再打開。
在簡體中文環境下，按照上述步驟設置後，用MODI識別出來的繁體中文是GBK編碼的繁體字，可以用Word的繁簡轉換，或TextForever的編碼轉換功能（支持批量）轉換成GB編碼的簡體字。
日文配置
需要從日文MODI複製到簡體MODI文件夾下的文件為：
JPCODE.UNI
JPPRINT.DAT
JPPRINT2.DAT
JPSERHT.DAT
JPTREE.DAT

TW_SU.DAT
TW_US.DAT
TWRECJ.DLL
TWSJIS32.DLL
需要導入的reg內容為：
Windows Registry Editor Version 5.00
[HKEY_CURRENT_USERSoftwareMicrosoftInstallerComponents61BA386016BD0C340BBEAC273D84FD5F]
"1041"=hex(7):30,00,5d,00,67,00,41,00,56,00,6e,00,2d,00,7d,00,66,00,28,00,5a,
00,58,00,66,00,65,00,41,00,52,00,36,00,2e,00,6a,00,69,00,4f,00,43,00,52,00,

5f,00,31,00,30,00,34,00,31,00,3e,00,2e,00,61,00,45,00,4d,00,61,00,65,00,2c,
00,37,00,71,00,39,00,2a,00,44,00,58,00,64,00,55,00,40,00,45,00,50,00,69,00,
3d,00,00,00,00,00
配置成功後，在MODI的OCR選項卡里，「OCR語言」即可看到「日語」。
在簡體中文環境下，按照上述步驟設置後，用MODI識別出來的日文是GBK編碼，可以在支持GBK字符集的簡體中文環境下正常顯示、編輯。
韓文配置
需要從韓文MODI複製到簡體MODI文件夾下的文件為：
DATASIM.DAT
HANGULLB.DAT
KRCODE.UNI

KRDIST.DAT
KRPRINT.DAT
KRSERHT.DAT
KRTREE.DAT
TW_KU.DAT
TW_UK.DAT
TWCUTCKR.DLL
TWCUTLKR.DLL
TWKSC32.DLL
TWLAYKR.DLL

TWRECK.DLL
需要導入的reg內容為：
Windows Registry Editor Version 5.00
[HKEY_CURRENT_USERSoftwareMicrosoftInstallerComponents61BA386016BD0C340BBEAC273D84FD5F]
"1042"=hex(7):31,00,5d,00,67,00,41,00,56,00,6e,00,2d,00,7d,00,66,00,28,00,5a,
00,58,00,66,00,65,00,41,00,52,00,36,00,2e,00,6a,00,69,00,4f,00,43,00,52,00,
5f,00,31,00,30,00,34,00,32,00,3e,00,30,00,61,00,45,00,4d,00,61,00,65,00,2c,
00,37,00,71,00,39,00,2a,00,44,00,58,00,64,00,55,00,40,00,45,00,50,00,69,00,
3d,00,00,00,00,00
配置成功後，在MODI的OCR選項卡里，「OCR語言」即可看到「朝鮮語」。
在簡體中文環境下，按照上述步驟設置後，用MODI識別出來的韓文是韓文編碼（charset:129），可以存為HTML、doc，並能在Word里正常顯示、編輯。如果存為TXT，則不能在簡體中文環境下顯示、編輯。
簡體中文配置
如果需要在繁體中文環境下OCR簡體中文，最正宗的方法是下載、安裝一個簡體MODI：
http://www.microsoft.com/downloads/details.aspx?familyid=dd172063-9517-41d8-82af-29c38f7437b6displaylang=zh-tw
當然如果想省事，也可以複製下列文件：
SCCODE.UNI
SCPRINT.DAT
SCPRINT2.DAT
SCSERHT.DAT
SCTREE.DAT
TW_GU.DAT
TW_UG.DAT
TWGB32.DLL
需要導入的reg內容為：
Windows Registry Editor Version 5.00
[HKEY_CURRENT_USERSoftwareMicrosoftInstallerComponents61BA386016BD0C340BBEAC273D84FD5F]
"2052"=hex(7):4d,00,6a,00,33,00,47,00,51,00,66,00,5e,00,62,00,54,00,3f,00,42,
00,3f,00,56,00,50,00,24,00,5e,00,62,00,53,00,6c,00,6c,00,3e,00,25,00,6d,00,
45,00,4d,00,61,00,65,00,2c,00,37,00,71,00,39,00,2a,00,44,00,58,00,64,00,55,
00,40,00,45,00,50,00,69,00,3d,00,00,00,00,00

?（′???）?

哪裡簡單了