Как происходит распознавание текста на ПК

   Процесс оцифровки и оптического распознавания текста включает в себя пять этапов.

   Ввод страницы. На этом этапе отсканированный или сфотографированный документ попадает в компьютер в виде изображения.

   Анализ макета. OCR-приложение определяет, где на странице находятся текст, рисунки, таблицы и т.п., и разбивает ее на блоки. Программа последовательно дробит страницу на все более мелкие блоки: разбивает текст на абзацы, затем на предложения, отдельные слова и символы. В финале анализа макета документ представляет собой набор отдельных символов. Программа запоминает, в каком месте на странице каждый из них находится.

   Распознавание символов – самый ответственный этап процесса OCR, ведь программа должна правильно идентифи­цировать все найденные знаки. Используется в тексте буква «В» (и какая – русская или латинская) или это цифра «8»? Если программа допустит ошибку, результат распознавания превратится в абракадабру. Для более точного распознавания текста программы комбинируют различные методы, которые условно делятся на две категории: методы сопоставления с образцом и методы сопоставления признаков (более подробно о них читайте далее).

   Реконструкция документа. После завершения процесса распознавания программа начинает воссоздавать страницы, с помощью встроенного словаря объединяя отдельные символы в слова, слова в предложения, предложения в абзацы и т.д. Для ускорения процесса используются результаты анализа макета страницы (этап 2). Кроме того, применяя специальные методы, программы пытаются учитывать грамматические особенности текста, чтобы в итоге получились корректные с точки зрения распознаваемого языка предложения.

   Сохранение документа. OCR-приложение сохраняет распознанный документ в определенном пользователем формате (только текст – TXT; макет страницы – файлы Microsoft Word или PDF).

   Для этого используется несколько различных технологий.

   Метод сопоставления признаков. Программа распознавания текста «знает», что каждому символу присущи те или иные признаки; к примеру, буква «А» состоит из двух наклонных линий, соединяющихся вверху, и горизонтальной линии в центре. Эти признаки остаются неизменными, даже если начертание шрифта меняется на полужирное или наклонное. При выборе из нескольких вариантов предпочтение отдается символам с самой высокой степенью совпадения признаков.

   Метод сопоставления с образцом предусматривает сравнение каждого отдельного символа с шаблоном, хранящимся в программе. Для этого предусмотрены большие базы данных с различными шрифтами. Если найденный символ совпадает с шаблоном в базе, то он считается распознанным. Описание выглядит просто, но на практике этот метод оборачивается большими временными затратами и отличается невысокой эффективностью. Причина: каждый символ должен на 100% соответствовать шаблону, иначе он не будет понят. Шрифты в распознаваемом документе и шаблоне для этого должны быть абсолютно идентичными, с учетом всех видов форматирования.

   Отсечение цвета. Документы с цветными рисунками или диаграммами можно отсканировать, но OCR-приложение будет работать только с изображениями, запи­санными в градациях серого. Это практично в том смысле, что цвет распознаваемого текста будет проигнорирован, так что файл займет меньше места.

   Распознавание текста даже для мощных компьютеров – задача не из простых. Поэтому раньше существовали специальные типы шрифтов для распознавания, символы которых машина понимала лучше.

   Неправильная ориентация страницы. Необычно оформленный текст, расположенный на странице, например по диагонали, создает программе распознавания дополнительные трудности и скорее всего будет распознан с ошибками. А текст, расположенный вверх тормашками, OCR-приложение почти наверняка не сможет распознать правильно. Правда, во всех современных приложениях существуют инструменты, позволяющие автоматически повернуть страницу.

   Многостраничные документы – серьезное испытание для OCR-приложений, поскольку их методы распознавания эффективно работают только в рамках отдельной страницы. Поэтому программы разбивают многостраничные документы на отдель­ные страницы и поочередно выполняют распознавание каждой из них.

   Шрифт. Эффективнее всего OCR-системы справляются с такими легко читаемыми шрифтами, как Times New Roman или Courier. А вот с мелкими или декоративными шрифтами у них с большей долей вероятности возникнут проблемы, равно как и с математическими или химиче­скими символами (в последнем случае необходимо явно указать программе, что ее задача – распознать формулы).

   Профессиональные термины и слова на иностранном языке. Большинство OCR-приложений содержит мультиязычные и тематические словари и легко справляется с распознаванием слов из других языков и терминов. Однако узкоспециальные слова и выражения доставляют программам большие трудности – например, словосочетание «дезоксирибонуклеиновая кислота» может отсутствовать в словаре программы и будет помечено ею как нераспознанное, чтобы пользователь мог исправить его написание.

   Пятна и грязь на документе могут сбить систему распознавания с толку. Так, две крупинки тонера способны быстро превратить «е» в «ё». Поэтому OCR-приложения имеют специальные фун­кции «очистки» документа.

   Текст на рисунках. В некоторых случаях программа должна «читать» и иллюстрации, выделяя на них текстовые блоки, к примеру, чтобы распознавать надписи на диаграммах. Эта задача решается следующим образом: как только на странице обнаруживаются элементы, похожие на текст, выполняется предварительное выборочное распознавание символов. Если результат проверки окажется убедительным, то программа продолжит работать с надписями на рисунках.

   Таблицы. Для любого OCR-приложения таблица представляет собой смесь графических элементов (линий) и текста. Для того чтобы любой элемент таблицы удалось распознать, разработчики предусмотрели специальные функции. Корректно распознанные таблицы можно редактировать, к примеру в Excel или Word.

     Программы распознавания текста

   Наиболее известными программами распознавания текста являются ABBYY FineReader, CuneiForm, OmniPage и Readiris. Они доступны в различных версиях – для домашнего и профессионального использования. Сравнительно новыми являются такие программы, как ABBYY Foto­Reader, способная распознавать текст на фотографиях.

   Хотя возможности оптического распознания текста (OCR) в Microsoft Office Document Imaging скромнее чем в ABBYY FineReader, но если нет желания платить лишние деньги, то получается вполне годный инструмент. Распознав текст, его можно скопировать с отсканированного изображения или факса в другое место либо отправить в Word.

   Но к счастью для нас, программный пакет MODI можно установить отдельно!

   Весьма неожиданно, что MODI перекочевал в установочный пакет SharePoint Designer 2007 – бесплатного HTML-редактора и программы для веб-дизайна от Microsoft.

   Скачать SharePoint Designer 2007 можно с сайта Microsoft, там же можно выбрать язык установочного пакета.

   ABBYY Finereader 10.0.102.95 – популярная программа распознавания текста российской компании ABBYY.

   Finereader обеспечивает качественное распознавание и сохранение оформления документов. Существуют три версии этого пакета распознавания: Home Edition, Professional Edition и Corporate Edition, которые отличаются своими возможностями, пользовательским интерфейсом, ценой и типом лицензии.

   Версия Home Edition предназначена только для домашнего использования и пригодится тем, кому время от времени требуется получить распознанную копию страниц книги, учебника, статьи из журнала для последующего редактирования в распространенных офисных программах. Интерфейс программы упрощен, для работы можно выбрать один из типовых способов обработки изображения и нажатием одной кнопки быстро получить результат.

   Professional и Corporate Edition имеют профессиональный интерфейс, дополнительно содержат поддержку распознавания PDF файлов, встроенный редактор текста, проверку орфографии. Corporate версия ориентирована на использование в организациях, поддерживаются сетевые сканеры и многофункциональные устройства, добавлены возможности для совместной работы пользователей.

   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.

   В версии 9.0 также есть возможность распознавания изображений, полученных с цифровых фотоаппаратов. Обработка таких изображений имеет свои особенности, нужно скорректировать неравномерное освещение страницы, недостаточную резкость, изгиб строчек текста.

   VueScan — программа для работы со сканерами HP, Minolta, Nikon, Polaroid, Epson, Canon и другими. VueScan может работать с внутренней глубиной цвета. VueScan поддерживает автоматическую и ручную настройку большинства параметров и пакетный режим сканирования. В VueScan поддерживается более 500 моделей сканеров с определенным перевесом в сторону слайд-сканеров — Nikon, Minolta, Polaroid, Microtek, Epson. Предусмотрено автоматическое удаление дефектов изображения за счет канала инфракрасного сканирования и многопроходное сканирование с последующим усреднением результата — для подавления собственных шумов сканера. В VueScan имеются фильтры подавления зерна, нерезкого маскирования и удаления паразитного оттенка оригинала. В VueScan есть средства ручной корректировки динамического диапазона и градационной характеристики (независимо по каналам R, G, B). В большинстве случаев, стандартный драйвер устройства имеет крайне ограниченные возможности по регулировке параметров сканирования. Используя зачастую скрытые возможности конкретного сканера, VueScan позволяет гибко настроить процесс обработки изображений, включая развитую цветокоррекцию, возможности многопроходного и пакетного сканирования, аппаратную регулировку экспозиции, выбор максимальной глубины цвета и формата сохраняемых файлов. Большой интерес представляет функция сохранения исходных данных сканера в файл (raw file) и последующая обработка этих данных при выключенном устройстве, что избавляет от необходимости повторного сканирования оригиналов и увеличивает ресурс оборудования.

   Применение VueScan особенно актуально при работе с прозрачными оригиналами (негативы, слайды), т.к. в программе содержится информация о цветовых характеристиках более 150 типов плёнок. Речь идёт, прежде всего, о маске цветного негатива, которая может сильно отличаться у разных плёнок и производителей. В программе предусмотрен прямой выбор маски из списка распространенных плёнок, а также возможность ручной регулировки цветовых компонентов маскирующего слоя. Пользовательские настройки можно сохранять в специальный файл, что позволяет создать индивидуальные профили для каждого вида работ.

   Особенности программы VueScan:

   Бесплатная программа сканирования и распознавания текста российского разработчика Cognitive Technologies.

   Первоначально OCRCuneiForm разрабатывался как коммерческий продукт, однако, в декабре 2007 года компания-разработчик стала распространять программу бесплатно, а в апреле 2008 года открыла исходные тексты программы. В планах дальнейшее развитие этой системы распознавания текста – проект OpenOcr.Org, поддерживаемый компанией CognitiveTechnologies и сообществом OpenSource разработчиков.

   Эта OCR программа прилагается в комплекте с некоторыми моделями сканеров фирм Canon, HewlettPackard, Oki, Olivetti. Технологии распознавания компании Cognitive используются в популярном издательском пакете CorelDraw.

   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».

   В этой программе есть поддержка параллельной работы с несколькими документами: можно открывать, распознавать, корректировать и сохранять несколько документов одновременно.

   OmniPage выпускается в трех версиях: Standard, Professional, Enterprise. Версия Professional, в отличие от Standard, включает средство для управления документами, ParerPort, и программа PDF Create, позволяющее создавать PDF документы из любого приложения. В версии Enterprise добавлены интеграция с Microsoft SharePoint Server, дополнительные сетевые и многопользовательские функции.

   Основные возможности программы сканирования и распознавания текста OmniPage:

   SimpleOCR - это бесплатная OCR система для распознавания текстов со сканера или с рисунков. 

   По качеству работы он не уступает многим платным аналогам. Точность распознавания может достигать 99% - это очень высокий показатель для подобных систем. Эта версия SimpleOCR работает с документами только на английском и французском языках, но в будущем появятся и словари на других языках.

   Среди прочих возможностей SimpleOCR можно отметить следующие: