介绍几款常用的OCR软件

why1812

以前写的帖子，原来在一些论坛发过，本论坛还没有，所以发布供大家一起探讨共同进步。希望对一些需要对DVD图形字幕做OCR处理的朋友有所帮助。
大家做为一名影音爱好者，肯定收藏了不少世界各国的好作品，这也是我们能有缘齐聚论坛的原因。
大家也一定收藏了不少BD和DVD制品。不过有时候我们必须将BD或DVD中文字幕提取出来重新处理。比如有的朋友压制了作品，必须要有对应的字幕。这些都要将BD、DVD字幕提取出来，转为更容易编辑的文本字幕，那么OCR就是少不了的步骤。
在继续说OCR之前，我简单说下BD和DVD的字幕是什么。BD和DVD的字幕其实是一张张透明的图片，也就是我们所说的图形字幕，这和srt这类文本字幕是完全不同的东西。加入时间轴及位置索引后，字幕和音视频封装在同一个容器里。DVD容器就是VOB，BD容器就是m2ts。在播放中，BD靠着mpls，DVD靠着IFO发出指令，这些字幕图像就会在该出现的时候出现在该出现的地方了。
明白这个道理后其实很多问题都迎刃而解，包括各种字幕的互转互换，还有BD的IG菜单、DVD菜单按钮的添加修改，还有BD、DVD播放中的小白兔等等，就都见怪不怪其怪自败了。
OCR就是光学字符识别的缩写(Optical Character Recognition)，简单地说就是通过某种技术将图像信息转化成文字的识别技术。
下面我用一张拆解的BDNXML图形字幕格式来举例说明，这张图非常直观。
画面上右边看到的图片就是我们最终看到的字幕，左边的XML文件记录着字幕的各项属性，很明确地看到字幕的图片文件名，分辨率，开始时间，结束时间，也就是时间轴。还有字幕的大小、位置等等



OCR的软件有很多，存在就是真理。每一种其实都有它的技术含量，也都有各自的拥护者。
  一般我们比较常用到的就是SubToSrt、subocr、IdxSubOcr
这几款软件OCR之前都必须先转Idx+Sub，如何转Idx+Sub这个有很多方法，很多软件可以达成。本文主要讨论的是OCR，所以转换Idx+Sub不在本文的讨论范围。

下面我分别介绍这几种软件。这几款软件很多朋友应该都使用烂熟了。但还是会有些朋友在使用上会遇到这样或那样的问题。
这几款软件使用上其实都相当简单，并不复杂。很多人失败的原因无非是缺少经验和没有认真看教程而已。
                        
              

why1812

先介绍一款我个人最常用的OCR软件。也是我强烈推荐给大家的一款软件。部分介绍直接引用作者老马的话。

IdxSubOcr这款软件利用的是Microsoft Office Word 2003所带的Microsoft Office Document Imaging (MODI)，这是目前唯一公开接口、支持多语言的商业级OCR引擎。

这款小巧的软件使用比较简单：
1.点击“打开idx文件”按钮，选择需要OCR/校对的idx文件。
2.如果有必要，设置“毫秒分隔符”选项，即毫秒用小数点还是句号分隔。
3. 如果有必要，勾选“OCR前先加粗处理”，避免因为笔画过细影响OCR质量。但如果文字笔画本来就不细，勾选此选项后可能造成笔画粘连，反而影响质量。
4.在“操作选项”里，选择需要OCR/校对的字幕，及究竟是要OCR还是校对。
如果是OCR，在接下来的“OCR”选项中，需要选择OCR语言及字幕颜色。注意这两个选项直接关系到OCR效果，所以必须认真选择：语言好说，颜色必须保证文字为实心字，空心字没法识别。 如果字幕第一行为空，则文字颜色可能不能选择，可以选择字幕其他行，直到能够选择颜色。OCR识别结束后，自动进入校对模式。
如果是校对，界面上方显示字幕图像，下方显示文字，用户可以直接对文字进行编辑。在编辑框中可以使用上下箭头、PgDn、PgUp滚动。校对完成后，点击“保存srt文件”按钮存盘。

在校对过程中，可以用“辅助功能”进行辅助，包括：
•文本替换。通常用来替换OCR中的一些习惯性错误。
•英文句首字母大写。某些英文字幕全是大写，看起来比较费劲，用这个可以转成小写。
•繁体转简体。繁体中文字幕OCR后的结果是GBK编码的繁体字，如果觉得麻烦，可以用这个功能转换成GB编码的简体字。

对于这款软件的安装我提供些个人的经验供参考
1.最好安装Microsoft Office Word 2003完整版。精简版可能会将你需要的东西阉割掉，让你OCR失败还不知道是为什么。
2.安装Microsoft Office Word 2007也可以，不过个人认为不如Microsoft Office Word 2003方便。
3. Microsoft Office 2010不再提供MODI组件，OCR功能改由OneNote完成，最靠谱的解决方案，要么安装Office 的 SharePoint Designer 2007 里面的识别引擎，然后把繁体识别用到的库文件放进去 ，要嘛就别用这个版本。
4.OCR繁体中文字幕必须安装下面提供的繁体中文识别的东东。不然繁体识别一定失败。
使用方法是
下载繁体中文识别.zip
将下面的文件复制到安装了简体中文Office 2003的相同文件夹下：
C:\Program Files\Common Files\Microsoft Shared\MODI\11.0
TCCODE.UNI
TCPRINT.DAT
TCPRINT2.DAT
TCSERHT.DAT
TCTREE.DAT
TW_BU.DAT
TW_UB.DAT
TWBIG532.DLL
双击reg文件导入注册表后，在MODI的OCR选项卡里，“OCR语言”即可看到“中文（繁体）”。注意导入注册表时必须先关闭所有MODI窗口，导入后再打开。


这里赞一下这个软件的作者老马，老马是个非常好的软件开发者，平易近人，我在使用中有什么问题或有什么建议发邮件给老马，老马都及时回复。
这么好的软件没有收费。赞一下！




软件下载地址：

游客，如果您要查看本帖隐藏内容请回复

why1812

SubOCR也是一款使用OCR引擎的软件。据作者说所使用的 OCR 引擎是从超星图书阅读器里面截取出来的。
SubOCR 使用也不复杂，可以识别简体中文和繁体中文的字幕，

1.点击“文件”按钮，再点击“打开字幕文件”选择需要OCR的idx文件。
2.点击“运行”按钮，在识别开始时候会要求你选择字幕的字芯颜色和简繁体。这个一定要选择正确，不然会准确才怪。
3.OCR完成要记得点击“保存文本字幕”。

但是这个软件的识别率不如IdxSubOcr的高，所以我还是推荐IdxSubOcr。从我截取的图中，大家也可以看到，如果字幕当中有分隔的，这个软件没有识别，而是合在一起。反观IdxSubOcr就会做出分隔，而分行的字幕，IdxSubOcr还会自动加上\N，非常贴心。  
SubOCR 也可以用于识别英文字幕，但是效果并不是非常理想，因为英文字母一旦出现连在一起的情况就很难识别了，还是用Subrip 从vob 中直接识别的好。

why1812

上面介绍的是用OCR引擎的软件。
现在介绍的是用字库的OCR软件：SUBtoSRT
理论上用字库的OCR方式在OCR时识别效率和容错率要高于引擎式的，当然，前提是要有强大的字库做后盾。问题是这一条很难达到。
碰到字库没有的字的时候，你一个字一个字的敲，少的时候没关系，多了会发疯的。所以除了某些字体外，我是坚决不用这个软件滴。
另外，看到过网上有人发起收集字库的活动，我个人不是太感兴趣。
这个软件的使用稍微麻烦些，要配合SubRip一起使用。具体操作过程就不啰嗦了。不过用Subrip 可以从 vob 中直接提取图片和时间轴，而且SUB2SRT附带的教程相当详尽，包含了SubRip的正确使用方法。有兴趣的朋友不妨当做进阶来学习。




SUBtoSRT附带的教程，含SubRip的正确使用方法

游客，如果您要查看本帖隐藏内容请回复

yangzhiang

楼主的介绍太有价值了，本人受益匪浅。谢谢

ll509

进来看看，学习学习

yangzhiang

SUB2SRT附带的教程，含SubRip的正确使用方法
[post]http://yunpan.cn/QpYgJIL5NqpVp[/post]

地址失效，请楼主检查。

why1812

yangzhiang 发表于 2016-10-12 10:46
SUB2SRT附带的教程，含SubRip的正确使用方法
http://yunpan.cn/QpYgJIL5NqpVp[/post]

谢谢提醒，已更新。

remusa

技术贴，

xhbl

有没有从电影硬字幕OCR的办法？

ald

谢谢楼主分享

why1812

xhbl 发表于 2016-10-13 03:52
有没有从电影硬字幕OCR的办法？

esrXP，太麻烦。

chux

目前还不会OCR，学习一下，谢谢教程

jzyxywjj

这个有点难啊

mj123

看看详细的教程

[电影]

以后慢慢学习教材

liiuzh

进来看看，学习学习

XYZS

学无止境，进来学习一下。普及一下知识。

排骨7771

进来看看的  大酱油的 ~~

戴鲲

很少用这种软件