पाठ मान्यता विधियाँ

इस तथ्य के बावजूद कि वर्तमान में अधिकांश दस्तावेज़ कंप्यूटर पर संकलित किए गए हैं, पूरी तरह से इलेक्ट्रॉनिक वर्कफ़्लो बनाने का कार्य अभी भी पूर्ण कार्यान्वयन से दूर है। एक नियम के रूप में, मौजूदा सिस्टम व्यक्तिगत संगठनों की गतिविधियों को कवर करते हैं, और पारंपरिक कागज दस्तावेजों का उपयोग करके संगठनों के बीच डेटा विनिमय किया जाता है।



कागज से इलेक्ट्रॉनिक मीडिया में जानकारी स्थानांतरित करने का कार्य न केवल दस्तावेज़ प्रबंधन प्रणालियों में उत्पन्न होने वाली आवश्यकताओं के ढांचे के भीतर प्रासंगिक है। आधुनिक सूचना प्रौद्योगिकियां हमें मानव जाति द्वारा संचित सूचना संसाधनों तक पहुंच को सरल बनाने की अनुमति देती हैं, बशर्ते कि वे इलेक्ट्रॉनिक रूप में परिवर्तित हो जाएं।



सबसे सरल और सबसे तेज़ स्कैनर के साथ दस्तावेजों को स्कैन कर रहा है। कार्य का परिणाम दस्तावेज़ की एक डिजिटल छवि है - एक ग्राफिक फ़ाइल। ग्राफिक के साथ तुलना में अधिक बेहतर, सूचना का एक पाठीय प्रतिनिधित्व है। यह विकल्प आपको सूचना के भंडारण और प्रसारण की लागत को काफी कम करने की अनुमति देता है, और आपको इलेक्ट्रॉनिक दस्तावेजों के उपयोग और विश्लेषण के लिए सभी संभावित परिदृश्यों को लागू करने की अनुमति देता है। इसलिए, व्यावहारिक दृष्टिकोण से, सबसे दिलचस्प एक पेपर इलेक्ट्रॉनिक दस्तावेज़ में पेपर मीडिया का अनुवाद है।



दस्तावेज़ पृष्ठ की रेखापुंज छवि मान्यता प्रणाली में इनपुट है। काम करने के लिए मान्यता एल्गोरिदम के लिए, यह वांछनीय है कि इनपुट छवि उच्चतम संभव गुणवत्ता की है। यदि छवि शोर, अनिश्चित है, तो इसके विपरीत कम है, तो यह मान्यता एल्गोरिदम के कार्य को जटिल करेगा।







इसलिए, मान्यता एल्गोरिदम द्वारा छवि प्रसंस्करण से पहले, छवि गुणवत्ता में सुधार करने के लिए यह पूर्व-संसाधित है। इसमें शोर से छवि को फ़िल्टर करना, छवि को तेज करना और इसके विपरीत करना, इसे संरेखित करना और सिस्टम द्वारा उपयोग किए गए प्रारूप में परिवर्तित करना (हमारे मामले में, स्केल में 8-बिट छवि) शामिल है।



तैयार छवि विभाजन मॉड्यूल के इनपुट पर जाती है। इस मॉड्यूल का उद्देश्य पाठ की संरचनात्मक इकाइयों - रेखाओं, शब्दों और वर्णों की पहचान करना है। अंधेरे क्षेत्रों के बीच अंतराल के विश्लेषण के आधार पर उच्च स्तरों के हाइलाइटिंग टुकड़े, जैसे कि लाइनें और शब्द, किए जा सकते हैं।

दुर्भाग्य से, इस दृष्टिकोण को व्यक्तिगत अक्षरों को उजागर करने के लिए लागू नहीं किया जा सकता है, क्योंकि, शैली या विरूपण की ख़ासियत के कारण, पड़ोसी अक्षरों की छवियों को एक जुड़े घटक (छवि 1) या इसके विपरीत में जोड़ा जा सकता है - एक अक्षर की छवि अलग-अलग जुड़े घटकों () में विभाजित हो सकती है। अंजीर। 2)। कई मामलों में, पत्र-स्तरीय विभाजन समस्या को हल करने के लिए जटिल अनुमानी एल्गोरिदम का उपयोग किया जाता है।





चित्र 1. एक जुड़े हुए घटक में कई अक्षरों को मिलाना।





चित्र 2. खराब स्कैन की गुणवत्ता के कारण असंबंधित घटकों में पत्र छवियों का क्षय।



हमारा मानना ​​है कि प्रसंस्करण के ऐसे प्रारंभिक चरण में अक्षरों की सीमा को पारित करने पर अंतिम निर्णय लेने के लिए, मान्यता प्रणाली के पास पर्याप्त जानकारी नहीं है। इसलिए, विकसित एल्गोरिथम में पत्र स्तर पर विभाजन मॉड्यूल का कार्य पत्र के अंदर वर्णों की संभावित सीमाओं का पता लगाना है, और शब्द बंटवारे पर अंतिम निर्णय प्रसंस्करण के अंतिम चरण में किया जाता है, यह पत्र के रूप में अलग-अलग टुकड़ों की पहचान को ध्यान में रखते हुए किया जाता है। इस दृष्टिकोण का एक अतिरिक्त लाभ पत्र शैलियों के साथ काम करने की क्षमता है, जिसमें ऐसे मामलों की विशेष हैंडलिंग के बिना कई जुड़े घटकों से मिलकर बनता है।



विभाजन मॉड्यूल का परिणाम एक विभाजन पेड़ है - एक डेटा संरचना जिसका संगठन पृष्ठ पर पाठ की संरचना को दर्शाता है। शीर्ष स्तर पृष्ठ ऑब्जेक्ट से मेल खाता है। इसमें ऐसी वस्तुओं की एक सरणी होती है जो तार का वर्णन करती हैं। बदले में प्रत्येक पंक्ति में शब्द वस्तुओं का एक सेट शामिल है। शब्द इस पेड़ की पत्तियां हैं। किसी शब्द को अक्षरों में विभाजित करने के लिए संभावित स्थानों के बारे में जानकारी एक शब्द में संग्रहीत होती है, हालांकि, अक्षरों के लिए अलग-अलग ऑब्जेक्ट आवंटित नहीं किए जाते हैं। प्रत्येक ट्री ऑब्जेक्ट छवि में संबंधित ऑब्जेक्ट द्वारा कब्जा किए गए क्षेत्र के बारे में जानकारी संग्रहीत करता है। विभाजन, स्तंभों, तालिकाओं जैसे अन्य स्तरों के समर्थन के लिए इस संरचना को आसानी से विस्तारित किया जा सकता है।



छवि के पहचाने गए टुकड़े क्लासिफायर के इनपुट को खिलाए जाते हैं, जिनमें से आउटपुट किसी विशेष अक्षर के वर्ग से संबंधित छवि की संभावना का वेक्टर होता है। विकसित एल्गोरिथ्म एक पेड़ के रूप में संगठित समग्र वास्तुकला के क्लासिफायरियर का उपयोग करता है, जिनमें से पत्ते सरल क्लासिफायरियर हैं, और आंतरिक नोड्स निचले स्तरों (छवि 3) के परिणामों के संयोजन के संचालन के अनुरूप हैं।







चित्रा 3. क्लासिफायरियर आर्किटेक्चर।



एक साधारण क्लासिफायर का काम दो चरणों में किया जाता है (चित्र 4)। सबसे पहले, संकेतों की गणना मूल छवि से की जाती है। प्रत्येक फ़ीचर का मान छवि पिक्सेल के सबसेट की चमक का एक कार्य है। नतीजतन, सुविधा मानों का एक वेक्टर प्राप्त होता है, जो तंत्रिका नेटवर्क के इनपुट को खिलाया जाता है। प्रत्येक नेटवर्क आउटपुट वर्णमाला के अक्षरों में से एक से मेल खाता है, और आउटपुट पर प्राप्त मूल्य को पत्र से संबंधित एक फजी सेट के स्तर के रूप में माना जाता है।





चित्रा 4. सरल क्लासिफायरियर।



संयोजन एल्गोरिथ्म का कार्य इनपुट फ़ज़ी सेट के रूप में प्राप्त जानकारी को सामान्यीकृत करना है और उनके आधार पर पहचानने योग्य वर्णों के सेट का आउटपुट फ़ज़ी सबसेट है। संयोजन एल्गोरिदम के रूप में, फ़ज़ी सेट्स (जैसे कि टी-नॉर्म्स और एस-नॉर्म्स) के सिद्धांत के संचालन का उपयोग किया जाता है, सबसे भरोसेमंद विशेषज्ञ की पसंद।



क्लासिफायरियर का परिणाम उच्चतम स्तर पर संयोजन द्वारा प्राप्त एक फजी सेट है।

अंतिम चरण में, शब्द को पढ़ने के सबसे प्रशंसनीय तरीके पर निर्णय लिया जाता है। इसके लिए, व्यक्तिगत पत्रों को पढ़ने की क्षमता के स्तर, अंतर-पत्र विभाजन, और रूसी में पत्र संयोजन की आवृत्ति का उपयोग किया जाता है।



विकसित एल्गोरिदम की प्रभावशीलता का मूल्यांकन करने के लिए, दो मौजूदा ओसीआर सिस्टम के साथ तुलना की गई थी। यह फ्री ओपन-सोर्स सिस्टम CuneiForm v12 और कमर्शियल सिस्टम ABBYY FineReader 10 प्रोफेशनल एडिशन है।



दुर्भाग्य से, मान्यता प्रणालियों की प्रभावशीलता का आकलन करने के लिए, आमतौर पर विदेशी विशेषज्ञों द्वारा तैयार चरित्र सेट, या लेखकों द्वारा एकत्र किए गए सेट और सार्वजनिक डोमेन में प्रकाशित नहीं होते हैं। उदाहरण के लिए, एबीबीवाई फाइनएडर एल्गोरिदम की दक्षता का मूल्यांकन करते समय, लेखक ने डेटाबेस सीईडीएआर, एनआईएसटी, सेनपेरमी और साथ ही उपयोग किए गए यूएसई प्रोफाइल का उपयोग किया। चूंकि इन डेटाबेस में अंग्रेजी और / या हस्तलिखित अक्षर हैं, इसलिए उनका उपयोग "मुद्रित सिरिलिक वर्णों को पहचानने के लिए एक एल्गोरिथ्म के विकास" विषय पर शोध की प्रभावशीलता का आकलन करने के लिए नहीं किया जा सकता है।



96 डीपीआई और 180 डीपीआई के संकल्प के साथ नमूनों पर तुलना की गई थी। एरियल 14pt और टाइम्स न्यू रोमन 14pt फोंट में 300 शब्दों से मिलकर एक पाठ ने तुलना में भाग लिया। 96 डीपीआई के संकल्प के साथ पाठ को सीधे एक ग्राफिक फ़ाइल के रूप में कंप्यूटर पर बनाया गया था। 180 डीपीआई के संकल्प के साथ एक परीक्षण के लिए, पाठ एक लेजर प्रिंटर पर मुद्रित किया गया था, और फिर निर्दिष्ट रिज़ॉल्यूशन के साथ स्कैन किया गया था। उपयोग किए गए पाठ का एक टुकड़ा अंजीर में दिखाया गया है। 5।





चित्रा 5. मान्यता प्रणालियों का परीक्षण करने के लिए उपयोग किए गए पाठ का एक टुकड़ा।



96 डीपीआई के लिए तुलना परिणाम तालिका 1 में प्रस्तुत किए गए हैं।





तालिका 1. 96 डीपीआई के संकल्प के साथ पाठ मान्यता परिणाम।



180 डीपीआई के संकल्प के साथ पाठ के लिए तुलना परिणाम तालिका 2 में प्रस्तुत किए गए हैं।





तालिका 2. 180 डीपीआई के संकल्प के साथ पाठ मान्यता परिणाम।



96 डीपीआई के लिए सबसे अच्छा मान्यता परिणाम इस तथ्य से समझाया जा सकता है कि 96 डीपीआई के संकल्प के साथ टाइम्स न्यू रोमन 14pt और एरियल 14pt फोंट में वर्तमान सिस्टम कॉन्फ़िगरेशन को प्रशिक्षित किया गया था। जब आप सिस्टम में इस आकार के फोंट को पहचानने के लिए प्रशिक्षित साधारण क्लासीफायर जोड़ते हैं तो आप इस पाठ के बेहतर परिणाम की उम्मीद कर सकते हैं।



कुल में, 1200 शब्दों में से, इसे मान्यता दी गई थी:



• विकसित एल्गोरिथ्म: 1180 शब्द (98.33%);

• क्यूनिफ़ॉर्म ओपन सोर्स सिस्टम: 597 शब्द (49.75%);

• एबीबीवाई फाइनएडर कमर्शियल सिस्टम: 1200 शब्द (100%)।



यह ध्यान देने योग्य है कि कम रिज़ॉल्यूशन के साथ, बड़ी मात्रा में शोर की उपस्थिति, क्यूनिफॉर्म पाठ मान्यता के साथ सामना नहीं करता है, जबकि प्रस्तावित एल्गोरिथ्म इस गुणवत्ता में पाठ को पहचानता है।



सामान्य तौर पर, हम यह निष्कर्ष निकाल सकते हैं कि यद्यपि प्रस्तावित एल्गोरिथ्म एबीबी से सर्वश्रेष्ठ-इन-क्लास वाणिज्यिक उत्पाद से नीच है, लेकिन यह कम गुणवत्ता वाले पाठ को पहचानने में सक्षम है क्योंकि क्यूनीफॉर्म ओपन सोर्स सिस्टम को पहचान सकता है।



प्रयुक्त साहित्य की सूची।



क्वासनिकोव वी.पी., डेज़ुबानेंको ए.वी. तत्व-दर-तत्व रूपांतरण // एयरोस्पेस इंजीनियरिंग और प्रौद्योगिकी 2009, 8, पीपी 200004 द्वारा डिजिटल छवियों की दृश्य गुणवत्ता में सुधार।



अर्लाजरोव वी.एल., कुराटोव पी.ए., स्लाविन ओ.ए. मुद्रित ग्रंथों की पंक्तियों की मान्यता // सत। ISA RAS की कार्यवाही "दस्तावेज़ों के साथ काम करने के तरीके और साधन।" - एम।: संपादकीय यूआरएसएस, 2000 ।-- एस 31-51।



SPbU प्रोजेक्ट ओपन सोर्स: टेक्स्ट इमेज रिकग्निशन [इलेक्ट्रॉनिक रिसोर्स] - एक्सेस मोड: ocr.apmath.spbu.ru



बगरोवा I.A., ग्रिट्सए A.A, सोरोकिन S.V., पोनोमेयरव S.A., साइटनिक D.A. मुद्रित साइरिलिक वर्णों की मान्यता के लिए संकेतों की पसंद // Tver स्टेट यूनिवर्सिटी 2010 के बुलेटिन, 28, पी। 59-73



एक भाषाई चर की अवधारणा और अनुमानित तर्क, सूचना विज्ञान, 8, 199-249 के लिए इसके आवेदन; 9, 43-80।



मेलिन पी।, यूरियास जे।, सोलानो डी।, सोटो एम।, लोपेज एम।, कैस्टिलो ओ।, न्यूरल नेटवर्क्स के साथ वॉयस रिकॉग्निशन, टाइप -2 फजी लॉजिक और जेनेटिक एल्गोरिदम। इंजीनियरिंग पत्र, 13: 2, 2006।



Panfilov S. A. सॉफ्ट कंप्यूटिंग पर आधारित नॉनलाइनियर डायनेमिक सिस्टम के नियंत्रण एल्गोरिदम मॉडलिंग के लिए तरीके और सॉफ्टवेयर पैकेज। तकनीकी विज्ञान के उम्मीदवार की डिग्री के लिए शोध प्रबंध। टवर, 2005।