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 (Optical Charester Recognition) – компьютерная программа, позволяющая преобразовывать текст бумажного носителя в электронный текстовый файл.
Основные принципы работы системы:
- Целостность (объект описывается как целое с помощью значимых элементов и отношений между ними);
- Целенаправленность (распознавание строится как процесс выдвижения и целенаправленной проверки гипотез);
- Адаптивность (способность компьютерной системы к самообучению).
Этапы работы системы FineReader:
- Сканирование (получение графического образа документа;
- Распознавание текста страницы:
- Анализ графического макета страницы (выделение областей для распознавания, выделение в тексте строк и отдельных символов);
- Распознавание каждого символа на основе различных алгоритмов распознавания;
- Проверка орфографии;
- Сохранение.
Алгоритмы распознавания (классификаторы):
- Шаблонные (шрифтозависимые) – растровое изображение накладывается на шаблон, содержащийся в базе данных, наиболее подходящим является тот, у которого наименьшее количество точек отличается.
- Шрифтонезависимые:
- Признаковые (позволяют анализировать не всё изображение знака, а лишь некоторые признаки, вычисляется по формулам, не отвечает принципу целостности);
- 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:
- Во время сканирования система автоматически подбирает яркость, фрагментирует каждую страницу, распознает символы текста;
- Позволяет распознавать печатные символы (»200 языков), рукопечатные и рукописные тексты.
- Способность самообучаться и распознавать плохо пропечатанные символы.
- 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.