應用OpenCV進行OCR字元識別
opencv自帶一個字元識別的例子，它的重點不是OCR字元識別，而主要是演示機器學習的應用。它應用的是UCI提供的字元資料（特徵資料）。
這些例子都只能用於學習OpenCV或熟悉OCR的簡單流程，因為它們與當前比較專業的OCR引擎的識別率相去甚遠。
這裡寫下OpenCV下OCR的流程：
1. 特徵提取
2. 訓練
3. 識別
特徵提取
1. 在影象預處理後，提取出字元相關的ROI影象，並且大小歸一化，整個影象的畫素值序列可以直接作為特徵。damiles是直接將整個字元影象轉換化為vector向量特徵作為特徵輸入的。
2. 但直接將整個影象作為特徵資料維度太高，計算量太大，所以也可以進行一些降維處理，減少輸入的資料量。
OpenCV中letter_recog例子就是使用的其特徵資料。
訓練與識別
訓練與識別一般都採用同一種機器學習方法：
DAMILES應用了KNearest方法，對輸入資料進行訓練和識別。
1. 資料輸入：
getData（）函式中：
為trainData和trainClasses設定資料。
2. 初始化機器學習演算法，及其訓練
knn=new CvKNearest( trainData, trainClasses, 0, false, K );
trainData, trainClasses資料已得到。
而K是分類的數目。
訓練在CvKNearest演算法初始化中已經完成
3. 識別
獲取識別測試的資料，testData
result=knn->find_nearest(testData,K,0,0,nearest,0);
result為識別的結果。
而OpenCV自帶例子中，提供了boost，mlp，knearest，nbayes，svm，rtrees這些機器學習方法，進行訓練和識別。
處理的步驟和方式都類似。
這些例子的識別率不是很高，OCR識別率在90%以上才有較好的使用意義，所以，OCR還需要更多特徵和分析方法，來提高識別率，tesseract是一個不錯的開源OCR引擎。
-------------------
在tesseract最初的字型庫裡，一種字型的字元樣本庫包括：94個字元，8種大小，4種字型（正常，粗體，斜體，斜粗體），每種20個樣本，共60160個樣本。
與UIC提供的字型庫不同的是，tesseract提供的是標準印刷體字型庫的識別，而UIC提供是手寫體handwriting的特徵資料。
資料之美提到，G公司（應該就是google了）的研究結果表明，在自然語言與機器翻譯領域，簡單模型加上大量有效樣本資料，比複雜模型加上小樣本資料，有效的多。 這個結論應該適用機器學習的很多領域。運算足夠快，樣本足夠大，即使簡單的模型，效果可能會出人意料。
由此可見，收集有效的、大量的樣本庫是多麼的重要。