Системы автоматического чтения текстов

Для быстрого и качественного ввода текста в ПК используется сканер, работающий по принципу фотоаппарата. Чтобы «понять» текст, то бишь перевести графику в цифровой вид, нужна система автоматического распознавания текста.

OCR (OpticalCharesterRecognition) – компьютерная программа, позволяющая преобразовывать текст бумажного носителя в электронный текстовый файл.

Основные принципы работы системы:

1) Целостность (объект описывается как целое с помощью значимых элементов и отношений между ними);

2) Целенаправленность (распознавание строится как процесс выдвижения и целенаправленной проверки гипотез);

3) Адаптивность (способность компьютерной системы к самообучению).

Этапы работы системы FineReader:

1) Сканирование (получение графического образа документа;

2) Распознавание текста страницы:

а) Анализ графического макета страницы (выделение областей для распознавания, выделение в тексте строк и отдельных символов);

б) Распознавание каждого символа на основе различных алгоритмов распознавания;

3) Проверка орфографии;

4) Сохранение.

Алгоритмы распознавания (классификаторы):

1) Шаблонные (шрифтозависимые) – растровое изображение накладывается на шаблон, содержащийся в базе данных, наиболее подходящим является тот, у которого наименьшее количество точек отличается.

2) Шрифтонезависимые:

а) Признаковые (позволяют анализировать не всё изображение знака, а лишь некоторые признаки, вычисляется по формулам, не отвечает принципу целостности);

б) Структурные (содержат информацию не о точечном изображении символа, а о правилах начертания (или структуры).Структурными элементами являются составляющие символ линии, однако данный метод чувствителен к дефектам изображения).

В FineReader работают все алгоритмы, экспертная система, встроенная внутрь ядра, сама выбирает нужный алгоритм.

Возможности OCR:

1) Во время сканирования система автоматически подбирает яркость, фрагментирует каждую страницу, распознает символы текста;

2) Позволяет распознавать печатные символы (»200 языков), рукопечатные и рукописные тексты.

3) Способность самообучаться и распознавать плохо пропечатанные символы.

4) Распознавание изображения, полученного с помощью цифрового фотоаппарата, а также файлы в формате PDF.

Развитие OCR идёт в направлении повышения точности распознавания текстов низкого качества, распознавание рукописного текста, выделение текстовой информации на фоне шумов, а также интеграций OCR-систем с различными программами обработки информации.

Вопрос 18.