microbik.ru
1


Системы распознавания текста

  • Технология обработки текстовой информации


Необходимость в системах распознавания символов

  • С помощью сканера достаточно просто получить изображение страницы текста в графическом файле. Однако работать с таким текстом невозможно: как любое сканированное изображение, страница с текстом представляет собой графический файл - обычную картинку. Текст можно будет читать и распечатывать, но нельзя будет его редактировать и форматировать. Для получения документа в формате текстового файла необходимо провести распознавание текста, то есть преобразовать элементы графического изображения в последовательности текстовых символов.



Программы распознавания текста

  • Преобразованием графического изображения в текст занимаются специальные программы распознавания текста (Optical Character Recognition - OCR).

  • Наиболее распространенные системы оптического распознавания символов:

  • BBYY FineReader

  • CuneiForm от Cognitive



Получение электронного документа

  • Отсканировать изображение (с помощью ПО сканера);

  • Распознать структуру размещения текста на странице: выделить колонки, таблицы, изображения и т.д.

  • Выделенные текстовые фрагменты графического изображения страницы необходимо преобразовать в текст;

  • Проверка орфографии (если необходимо);

  • Сохранение в файл или передача текста в другое приложение, например в Word.



Методы распознавания символов

  • Если исходный документ имеет типографское качество то задача распознавания решается методом сравнения с растровым шаблоном.

  • При распознавании документов с низким качеством печати используется метод распознавания символов по наличию в них определенных структурных элементов (отрезков, колец, дуг и др.).



ABBYY FineReader

  • FineReader - омнифонтовая система оптического распознавания текстов. Это означает, что она позволяет распознавать тексты, набранные практически любыми шрифтами, без предварительного обучения. Особенностью программы FineReader является высокая точность распознавания и малая чувствительность к дефектам печати.

  • FineReader имеет массы дополнительных функций и удобный интерфес.



Оптимальное разрешение при сканировании

  • Оптимальным разрешением для обычных текстов является - 300 dpi и 400-600 dpi для текстов, набранных мелким шрифтом (9 и менее пунктов).

  • Сканирование в сером является оптимальным режимом для системы распознавания. В случае сканирования в сером режиме осуществляется автоматический подбор яркости. Если Вы хотите, чтобы содержащиеся в документе цветные элементы (картинки, цвет букв и фона) были переданы в электронный документ с сохранением цвета, необходимо выбрать цветной тип изображения. В других случаях используйте серый тип изображения.



Вопросы:

  • Зачем нужны программы распознавания текста?

  • Как происходит распознавание текста?

  • Какие программы распознания текста вы знаете? Какими пользовались?

  • Какое разрешение является оптимальным для сканирования текста, изображений?