Система оптического распознавания документов

Системы оптического распознавания документов

Системы оптического распознавания символов

При coздании электронных библиотек и архивов путем перевода книг и документов в цифровой компьютерный формат, при переходе предприятий от бумажного к электронному документообороту, при необходимости отредактировать полученный по факсу документ используются системы оптического распознавания символов.

Оптическое распознавание символов

Оптическое распознавание символов (англ. optical character recognition, OCR) — механический или электронный перевод изображений рукописного, машинописного или печатного текста в последовательность кодов, использующихся для представления в текстовом редакторе.

С помощью сканера несложно получить изображение страницы текста в графическом файле.

Однако для получения документа в формате текстового файла необходимо провести распознавание текста , т. е. преобразовать элементы графического изображения в последовательности текстовых символов.

• Сначала необходимо распознать структуру размещения текста на странице: выделить колонки, таблицы, изображения и т. д.
• Далее выделенные текстовые фрагменты графического изображения страницы необходимо преобразовать в текст.

Хорошее качество текста Растровый метод распознавания текста

Если исходный документ имеет типографское качество (достаточно крупный шрифт, отсутствие плохо напечатанных символов или исправлений), то задача распознавания решается методом сравнения с растровым шаблоном.

Хорошее качество текста Растровый метод распознавания текста

• Сначала растровое изображение страницы разделяется на изображения отдельных символов.
• Затем каждый из них последовательно накладывается на шаблоны символов, имеющихся в памяти системы, и выбирается шаблон с наименьшим количеством точек, отличных от входного изображения.

Хорошее качество текста Растровый метод распознавания текста

• Растровое изображение каждого символа последовательно накладывается на растровые шаблоны символов, хранящиеся в памяти системы оптического распознавания. Результатом распознавания является символ, шаблон которого в наибольшей степени совпадает с изображением

Например, распознаваемый символ "Б" накладывается на растровые шаблоны символов (А, Б, В и т. д.)

Плохое качество текста Структурный метод распознавания

• При распознавании документов с низким качеством печати (машинописный текст, факс и т.д.) используется метод распознавания структурных элементов (отрезков, колец, дуг и др.) символов. В искаженном символьном изображении выделяются характерные детали и сравниваются со структурными шаблонами символов.

• Любой символ можно описать через набор параметров, определяющих взаимное расположение eгo элементов. Например, буква «Н» и буква «И» состоят из трех отрезков, два из которых расположены параллельно друг другу, а третий соединяет эти отрезки. Различие между буквами в величине улов, которые составляет третий отрезок с двумя другими.

Плохое качество текста Структурный метод распознавания

При pacпознавании структурным методом в искаженном символьном изображении выделяются характерные детали и сравниваются со структурными шаблонами символов.

В результате выбирается тот символ, для которого совокупность всех структурных элементов и их расположение больше всего coответствуют распознаваемому символу.

Например, распознаваемый символ "Б" накладывается на векторные шаблоны символов (А, Б, В и т. д.)

Системы оптического распознавания форм

При проведении Единого государственного экзамена, при заполнении налоговых деклараций и т. д. используются различного вида бланки с полями. Рукописные тексты (данные вводятся в поля печатными буквами от руки) распознаются с помощью систем оптического распознавания форм и вносятся в компьютерные базы данных.

Сложность состоит в том, что необходимо распознавать символы, написанные от руки, а они довольно сильно различаются у разных людей. Кроме того, система должна определить, к какому полю относится распознаваемый текст.

Системы оптического распознавания форм

FineReader Forms

• Бланком называется стандартный лист бумаги, на котором размещается постоянная информация и отведено место для переменной.
• Сложность состоит в том, что необходимо распознать написанные от руки символы, довольно сильно различающиеся у разных людей.
• Кроме того система должна определить, к какому полю относится распознаваемый текст.

Системы оптического распознавания форм

• Для обработки бланков предназначено специальное приложение FineReader Forms.
• Для распознавания содержимого бланка необходимо предварительно создать шаблон формы .

Сервис/ Шаблоны

• Шаблон используют на этапе сегментации. Сегментация в данном случае состоит в наложении шаблона.
• Положение шаблона корректируется в соответствии с тем, насколько ровно был размещён бланк при сканировании.
• Заключительный этап состоит в распознавании содержимого бланка.

Системы распознавания рукописного текста

С появлением первого карманного компьютера Newton фирмы Apple в 1990 году начали создаваться системы распознавания рукописного текста. Такие системы преобразуют текст, написанный на экране карманного компьютера специальной ручкой, в текстовый компьютерный документ.

Системы распознавания рукописного текста

Программы оптического распознавания текста

Отсканированные документы

Программы оптического распознавания документов

Вместо сканера можно использовать цифровой фотоаппарат или камеру мобильного телефона.

Для ввода текстов в память компьютера с бумажных носителей используют сканеры и программы распознавания символов .

Одной из наиболее известных программ такого типа является ABBYY FineReader.

Работа с программой распознавания текста

Бумажный носитель

помещается под крышку сканера

Фотографии текстов

В программе отдаётся команда

Сканировать и распознать

Распознанный текст переносится

в окно текстового редактора

Оптическое распознавание документов

Принцип работы сканера

Принцип работы сканера состоит в следующем: в результате преобразования света получается электрический сигнал, содержащий информацию об активности цвета в исходной точке сканируемого изображения. После оцифровки аналогового сигнала в АЦП цифровой сигнал через аппаратный интерфейс сканера идет в компьютер, где его получает и анализирует программа для работы со сканером. После окончания одного такого цикла (освещение оригинала — получение сигнала — преобразование сигнала — получение его программой) источник света и приемник светового отражения перемещается относительно оригинала.

Программы распознавания текста

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

Современная OCR должна уметь многое: распознавать тексты, набранные не только определенными шрифтами, но и самыми экзотическими, вплоть до рукописных. Уметь корректно работать с текстами, содержащими слова на нескольких языках, корректно распознавать таблицы. И самое главное — корректно распознавать не только четко набранные тексты, но и такие, качество которых, мягко говоря, далеко от идеала. Например, текст с пожелтевшей газетной вырезки или третьей машинописной копии. Само собой, распознать текст — это еще полдела. Не менее важно обеспечить возможность сохранения результата в файле популярного текстового (или табличного) формата — скажем, формата Microsoft Word.

OCR CUNEIFORM

• Это бесплатная программа сканирования и распознавания текста российского разработчика Cognitive Technologies.

• OCR CuneiForm обеспечивает быстрое, удобное и качественное распознавание текста с сохранением исходного вида документа. Поддерживается распознавание с более 20 языков, среди них русский, украинский, английский, немецкий, французский, испанский, итальянский, португальский, шведский, финский, сербский, хорватский, польский, а также распознавание смешанного русско-английского текста.

ABBYY FineReader

• Популярная проприетарная программа распознавания текста компании ABBYY
• Программа производит распознавание текста с более 180 языков , для 38 из них предусмотрена встроенная проверка орфографии. Начиная с версии Professional , распознаются иврит, японский, тайский, китайский языки. Finereader открывает файлы графических форматов (TIFF, JPG, PFD, PNG и др.) в том числе DjVu – компактный формат для хранения отсканированных документов, книг.

Окно программы FineReader

Процесс обработки FineReader

• Сканирование (сканер, цифровой фотоаппарат, цифровая видеокамера).
• Сегментация - выделение блоков на изображении.
• Распознавание – неоднозначно опознанные символы выделяются цветом.
• Проверка ошибок- можно провести проверку грамматики.
• Сохранение результатов в виде отформатированного или неотформатированного документа, или прямой передачи в другое приложение - WORD, Excel в буфер обмена Windows.

OmniPage

• Популярная программа распознавания текста российской компании ABBYY
• Программа отличается высокой скоростью и точностью распознавания. Распознаются более 120 языков с различными алфавитами: латинский, греческий алфавиты, кириллица, китайский, японский и корейский языки. Как и FineReader, OmniPage уверенно распознает документы, полученные с помощью цифровых камер с помощью технологии коррекции изображения "3D Correction".

OmniPage

• В программе присутствуют удобные инструменты обработки изображений, повышенное качество сканирования без повторного сканирования; функция преобразования бумажных форм в электронные документы, заполняемые на экране; механизм Google Desktop Search для поиска отсканированного файла (и других файлов) по содержащимся в нем словам. В комплекте с OmniPage Professional поставляется несколько полезных утилит. В частности, PDF Converter - позволяет преобразовывать файлы формата PDF в редактируемые форматы: doc, rtf, wpd, xls. Упрощенный вариант утилиты PDF Create!, которая выполняет обратное преобразование: превращает практически любой текстовый или графический файл в формат PDF.

Readiris

• Программа сканирования и распознавания текста компании I.R.I.S.
• Поддерживается распознавание текста с более 120 языков распознавания, включая русский, а также ближневосточные языки - арабский, иврит, фарси (в версии Middle-East) и японский, китайский, корейский (в версии Asian). Есть версия Readiris для Macintosh .
• Вместе с поддержкой распознавания популярных форматов картинок, распознаются файлы PDF и DjVu .

Readiris

Содержит региональные пакеты для распознавания азиатских языков и языков среднего востока.

Kirtas Technologies Arabic OCR

Может распознавать арабские и английские символы на одной странице.

Zonal OCR

Помогает автоматизировать извлечение данных из компьютерных изображений.

Brainware

Извлечение данных из документов и их обработка — например, счета, извещения, накладные и платёжки

Microsoft Office Document Imaging

• Программа распознавания текста компании Microsoft
• Программа Document Imaging способна работать только с двумя языками: английским и языком локализации самого MS Office. Для поддержки других языков необходимо дополнительно устанавливать пакет Multilingual User Interface (MUI). OCR настроек в программе практически нет, программа в автоматическом режиме поддерживает распознавание типа и размера шрифтов, картинок и простых таблиц.

Существует также системы On-line распознавания текста: Online OCR и ABBYY FineReader Online ( http://www.onlineocr.ru , http://finereader.abbyyonline.com , http://www.liveocr.com/ )

Подведение итогов урока

• В чем состоят различия в технологии распознавания текста при использовании растрового и векторного методов?
• Для чего предназначены программы оптического распознавания документов?

Домашнее задание:

• П. 2.8 стр. 71-73