一、重要算子
OCR分類器其實有很多，如下圖所示。但是通常mlp分類器效果較好，使用較多。
主要算子如下：
① append_ocr_trainf(Character, Image : : Class, TrainingFile : )
四個參數分別是：字符Region、字符Image、字符文本、OCR訓練的.trf文件路徑。
如果該路徑下不存在.trf文件，那么它會自動生成該文件。
該算子作用是將單個字符區域、單個字符圖像和對應的字符文本寫入TrainingFile 文件。
② read_ocr_trainf_names( : : TrainingFile : CharacterNames, CharacterCount)
查詢.trf訓練文件中存儲有哪些字符，以及每個字符在訓練器中的數量。
③ create_ocr_class_mlp(42, 67, 'constant', 'default', CharacterNames, NumHidden, 'none', 10, 42, OCRHandle)
最前面的兩個參數分別指字符的寬度和高度。NumHidden指隱藏層的層數，一般不宜過低。
④ trainf_ocr_class_mlp( : : OCRHandle, TrainingFile, MaxIterations, WeightTolerance, ErrorTolerance : Error, ErrorLog)
訓練神經網絡，通常參數用默認值即可。
⑤ write_ocr_class_mlp( : : OCRHandle, FileName : )
保存OCR的的.omc分類器到文件。
⑥ read_ocr_class_mlp( : : FileName : OCRHandle)
從文件中讀取OCR的.omc分類器。
一個典型的創建OCR分類器的過程通常是：
append_ocr_trainf → create_ocr_class_mlp → trainf_ocr_class_mlp → write_ocr_class_mlp
具體創建OCR分類器的方法，可以看這個例子：Halcon自動化訓練OCR分類器舉例
二、關鍵問題
1、create_ocr_class_mlp算子中，如何確定字符的寬度和高度？
同一種字體不同字符的寬度、高度是不一樣的（例如字母A和I），如何確定這兩個值？
有兩種方式：一是直接測量字符中較寬字符的寬度和高度，把它們作為 WidthCharacter和HeightCharacter ；二是使用OCR助手（助手——打開新的OCR）來分析得出這兩個值（推薦這種方式）。
轉到“分割”頁面即可看到自動分析得出的“字符寬度”和“字符高度”等信息。
2、使用自己訓練的OCR分類器，還是使用Halcon自帶的分類器？
如果字體恰好合適的話，使用Halcon自帶的分類器，通常效果是極好的。但是缺點也很明顯：一是選擇有限，如果需要OCR的字體比較特殊，可能選不好合適的分類器；二是你很難對Halcon自帶的分類器進行優化，因為它只提供.omc文件，而不提供訓練用的.trf文件。
自己訓練的分類器也有優缺點。訓練和使用分類器主要使用下面幾個算子：
append_ocr_trainf、create_ocr_class_mlp、trainf_ocr_class_mlp、do_ocr_multi_class_mlp
缺點一是需要自己切割字符收集字庫，如下所示：
缺點二是可能自己訓練的分類器不如Halcon自帶的分類器效果好。（原因一方面因為字庫不夠豐富，另一方面可能對OCR的理解不夠深刻，導致訓練分類器時有些細節考慮不周全）
不過自己訓練分類器也有優點，最大的的優點是訓練過程可控，而且自己可以添加字符圖片，豐富字庫，即分類器可以不斷得到優化。這一點是Halcon自帶的分類器所不具備的。
3、如果使用Halcon自帶的分類器，如何選擇合適的？
點擊OCR助手中的下圖中的紅框中的圖標即可。
先加載“訓練文件”（.trf），再加載“分類器”（.omc），即可看到識別結果及其把握度。當所有字符均識別正確，且把握度很高的時候，就說明這個分類器很合適。
4、如何准確分割出圖像中的字符區域？
OCR的過程實際是調用do_ocr_multi_class_mlp算子。
do_ocr_multi_class_mlp(Character, Image : : OCRHandle : Class, Confidence)
其中Character即是字符區域（Region），如下所示：
分割字符區域的思路有兩種：① 用形態學閾值分割；② 用find_text系列算子。
形態學分割算子大家比較熟悉，不需要多說，但是算子之間的組合比較靈活，思路比較重要。
find_text分割字符區域代碼舉例如下：（Characters即是字符區域Region）
注：如果自己訓練OCR分類器，create_text_model_reader就不需要傳入.omc文件路徑，例如：
create_text_model_reader ('manual', [], TextModel)
5、對於字符區域分割，形態學閾值分割和find_text方法，哪種更好？
通常來說，直接用find_text系列算子，很容易得到比較不錯的字符區域分割結果。因為它可以通過set_text_model_param算子設置很多字體的信息參數，例如：
這種方法的優點很明顯：就是很容易做到標准化。只需要設置幾個參數，就可以得到很好的分割效果。
但是這種方法的缺點也很明顯，它的自由度有點差，效果不理想時，繼續優化的辦法有限。如果該設的參數都設置了，分割字符區域效果還是不理想，該怎么辦呢？
因此，對於經驗豐富的視覺算法工程師，對於棘手的OCR項目，我仍然推薦使用形態學閾值分割來分割字符區域（Region），不過這個需要相當的技巧。
6、提高字符區域分割效果的技巧。
提高OCR准確率有兩條路子：① 訓練分類器時，盡量用豐富的字符圖片庫，訓練出良好的分類器；② 識別前，盡量分割出准確的字符區域，好利於識別。
訓練分類器的過程中，其實能玩出的花樣並不多。因此重點還是在分割字符區域這一步，建議如下：
（1）盡量把需要OCR的文字圖像轉正。
（2）可以用reduce_domain算子把需要OCR的圖像區域挖出來，排除圖像其他區域的干擾。
（3）分割之前可以增強圖像的對比度，例如使用scale_image_max和emphasize算子。
（4）改變圖像中字符筆畫寬度的算子gray_erosion_rect可嘗試使用，但是如果字符本身比較小，這個算子就不建議使用了，因為此時它對字符筆畫的寬度改變會很大。
（5）如果圖像光照情況基本一致，盡量使用threshold而不是binary_threshold這類自動閾值算子。因為threshold的結果是可預測的，而自動閾值的分割結果通常較難預測。
（6）閾值分割以后，可以使用select_shape算子限定一些篩選條件，篩選出真正的字符部分。
特別注意：訓練分類器的程序和正式識別字符的程序中，圖像預處理和閾值分割方式必須一致，這樣才能得到最好的OCR效果。
7、對於識別錯的“相似”字符的補救措施。
有些字符是很相似的，例如字母“Q”和“O”，字母“I”和數字“1”。
對於上圖的Q和O，如果容易識別混淆，那么如何判斷到底是Q還是O呢？
提供一種思路：可以求字母內部的空白區域，調用算子：convexity (CharRegion, Convexity)
這個算子可以獲得Q或者O內部區域的“凸度”，凸度極高的，說明這個字符是O，反之就是Q。
其他字符也可以用其他方法分別個性化判斷。
另外，對於OCR，可以觀察圖中字符的分布，例如某一塊區域只可能出現數字，但是識別出了形如“058I”這樣的結果，那么很可能就是把數字“1”錯判為了字母“I”。這時可以人為把字母“I”改成數字“1”作為后續補救措施。
至於其他未提到的OCR技巧，歡迎留言補充。