为什么计算机能识到文字

你要寄一封信，一定要写清楚收信人所在地区的邮政编码。我国邮政编码是由0，1，…，9这十个数字组成的六位数。邮局可以通过计算机来自动识别手写数字，然后实现自动分拣信函。

数字是一种简单的文字，较复杂一点的是26个英文字母。计算机自动识别数字和字母现在已经实现，并且已有了广泛的应用。但是汉字的自动识别却困难得多。这是因为汉字构形复杂，数量又大，《辞海》中就收集有14872个汉字。汉字自动识别有的已经实现，有的尚处于试验阶段，特别是手写体汉宇，变化多端，更不易识别。

文字识别，目前主要是指光学文字识别（OCR）。文字识别机器由检测、预处理、特征抽取和识别判决四部分组成。当一个文字图形输入到机器中时，机器首先进行检测，把纸面上文字进行光电转换，将光信号转化为电信号。预处理的功能是除去信号中的“噪声”，并把文字大小和笔划粗细等规范化，以减少识别中的复杂性。经过这些技术性处理以后，再进行特征抽取，即按一定的方法抽取能反映文字本质的有用信息。最后按一定的识别原理进行识别判决，以确定文字的属性。特征抽取和识别判决是文字识别的核心部分。下面我们通过印刷体汉字的一种自动识别方法来作些介绍。

在图论中，一个图G是由点集V和边集E组成的。一条边e总有两个端点u和v，称为e与u、v“关联”。对于点v来说，与v关联的边的数目称为点v的“度”，记作d（v）。如果d（v）=k则称v为“k度点”。一个图G如果可以画在平面上使所有的边都互不交叉，此时称G为“可平面图”。可平面图在平面上的一个具体实现，称为“平面图”。

我们把一个汉字看成是一个平面图。例如，对于汉字“估”，相应地可得到右面的平面图：这个图称为汉字“估”的“伴随图”。它有12条边和13个点，其中有6个1度点，4个2度点，2个3度点和1个4度点。我们还看到这个图有2个连通分支（左右两部分）和1个圈（右下部分）。

一个手写体汉字可以有不止一个的伴随图。但是印刷体汉字由于写法固定，一个汉字只对应一个伴随图。

对于一个印刷体汉字的伴随图G，可用5维向量（a₁，a₂，a₃，a₄，a₅）来特征该汉字，其中：

a₁表示图G的k（k＞5）度点的个数；

a₂表示图G的4度点的个数；

a₃表示图G的3度点的个数；

a₄表示图G的连通分支的个数；

a₅表示图G的圈的个数。

（a₁，a₂，a₃，a₄，a₅）称为该汉字的“码”。例如，汉字“估”的码是（0，1，2，2，1）。

下面列出若干汉字及其码：

对于印刷体汉字来说，一个汉字有一个码。在多数情况下，不同的汉字的码也不同。但是，同码汉字还是有的，例如，“甲，由”，“土，士”，“估，呈”都是同码汉字。为了区分同码汉字，可以用图形匹配的方法进行识别判决。也就是说，对同码汉字类中的每个汉字各准备一个标准图形，将输入的未知图形和各标淮图形之间作匹配比较，计算各自的类似度，以最大类似度作为识别结果输出。

计算机首先要建立一个汉字库，它是按码分类存放的。当一个未知汉字输入时，先对它进行编码，然后按码找出字库中的汉字。如果只有一个，就输出；否则，按图形匹配方法作识别判决，输出有最大类似度的汉字。

上面介绍的汉字编码方法，不但可用于自动识别，在编字典、邮电通信等方面也有应用的前景。