小张在写期末课程小论文的时候，上网查资料发现一篇文章特别有参考价值，但是这篇文章无法复制，小张要怎么做才能获得这篇文章的电子版呢？
OCR是一个简称，全称叫Optical CharacterRecognition，中文是：光学字符识别。
它的本质是：把图像形状转变为文本字符。
下面说一下，我在教育行业是如何应用OCR的
信息化教学越来越普及，很多教学素材都要搬到信息化平台，比如试卷试题。那么，纸质的试卷要电子化，就会用到OCR识别技术
这么一张图，需要识别成结构化（图片、文字、公式、表格可独立提取出来）的数据，识别结果如下所示：
而且，识别结果还可以下载成word文档，便于老师校对并进行二次编辑.
除此之外，我们常见的各种证件识别、名片识别、车牌识别等，也涉及OCR技术。
OCR技术的实现，总体上可以分为五步：预处理图片、切割字符、识别字符、恢复版面、后处理文字。
我们买回来水果，需要洗一下再吃。如果运气不好的话，还需要挖掉虫眼和糙皮才能吃。我们把吃水果前的这些步骤，叫做CSG（吃水果）的预处理。
在进行OCR之前，也需要对图片进行预处理。因为，一般待识别的图片千奇百怪，来源复杂：有拍照、有扫描、有截图。
拿拍照来说，有夏至那天中午头儿，在阳光直射下拍的；也有人在傍晚，拿着大顶转着圈儿拍的。如果不进行预处理，OCR会很为难，因此需要进行灰度化，二值化，噪声去除，倾斜矫正等预处理过程。
假设，通过了预处理，我们的图片都变得很规范，于是，我们需要切割字符，把每一个字都给他挖出来。
并且，还需要对每个字符做好标记，因为识别完了，还得还原回去。识别完了，结果是一堆单蹦的“1”、“2”、“3”、“+”、“-”字符。我们需要根据它们的相对
位置，还原成“8-7=1”。所以，我们就知道了，哪个题目做对了，做错了，从而给出批改结果。
图片究竟是怎么变为字符的？它还能自己学习。计算机通过学习一些样本之后，遇到一些从未遇到过的同类样本，也能正确地识别出结果，原理如下：
我带着孩子去公园，公园门口有一对大狮子。孩子指着狮子说，狗！我说，哦，那不是狗，那是狮子，跟狗有点像是不是。又走了一段路，公园里又出现一个麒麟的雕塑。孩子指着它说，狮子！我说，那不是狮子。
孩子说，是狗。我说也不是狗，它叫：麒麟。我感觉到，孩子的大脑在反向矫正信息，这就是监督学习。
当我给他看狗的图片时，我告诉她这是狗。
她根据自己的认知，找了几个特征，构建了一个模型：长嘴+尖牙=狗。
虽然只是看过图片，但是出门遇到真狗，她根据这个模型也认识对了。
后来，她遇到了狮子，她修改了模型：长嘴+尖牙+鬃毛≠狗=狮子。
后来，又遇到了麒麟，这个公式变得越来越复杂……决策项越来越多。
人工智能，就是模拟的人类的神经元，构建神经网络来尝试寻找特征和结果的关系。如果对了，就给这个特征加分。如果，错了，就给这个特征减分。
识别数字，也是一样。
比如在学习识别数字6的时候，它随机认为只要有一个圈圈特征，就是数字6。
验证其他样本时，发现这个随机特征是对的（不对就再换一个特征再试）。于是，它建立了一个模型：只要有圈这个特征，就是6。
后来，这个模型遇到了数字0。加入新样本后，人工智能发现，0也有圈，但它不是6，也有可能是0。得再找一个特征，于是，新增一条，有勾就是6。后来，它又遇到了9。那勾在上面的就是6。后来，它又遇到了字
母b……反正计算机有的是算力，能在很短的时间内完成这些学习。上面我是搂着说的，其实即便在32*32像素的小图片上，它随机上几十个特征去做验证，一点都不吃力。
这就是识别字符的原理。OCR字符的识别从来不难。难的是两头，比如开头的预处理，以及下面要说的后处理。
识别出了字符，意义不大，有效地连接起来才能发挥作用。
我们期望的拆分和还原应该是下面这样：
“10+2= 4-3= 5+6=11”这些文本从数据结构上应该是一行。而且，“10+2=”从数据结构上是一个基本单位。因为，我们要对基本单位做运算和批改。这才叫还原，其实并不简单。
5.后处理文字
OCR识别的最终目的，是要获得一份准确的、结构化的文本内容。
单个字符识别，其实是各自为战，前后不商量。
就比如，遇到一个圆圈形状的字符图片。OCR识别就犯了难，它是数字“0”？汉字“〇”？大写字母“O”？小写字母“o”？中文句号“。”？还是“Q”忘了加尾巴……
啥都对，啥都不对。
所以，需要矫正……校正。这两个词，都是高频词，尤其拼音打字jiaozheng，容易出错。其实，也好分辨。看语境，如果我前后提到了“文稿”，那么是“校正”的可能性就大。如果我刚刚说了“牙齿”、“视力”、“角度”啥的，那么基本上就应该是“矫正”了。
OCR识别的最后一步校正也是一样。如果无法确定是数字“0”还是字母“o”，可以观察它相邻的几个字符，下面一图胜千言
