Fayllar və çıxış
Faylın nə ehtiva etdiyindən başlayın. PDF şəkilləri, kodlaşdırılmış mətni və ya hər ikisini saxlaya bilər; fayl adı onun sözlərinin seçilə bilib-bilmədiyini sizə demir.
OCR — optik simvol tanınması
Şəkildəki görünən simvolların müəyyən edilməsi və onların kodlaşdırılmış mətn kimi təqdim edilməsi prosesi. Bu, skan və ya fotodan sözləri yenidən istifadə etməyə imkan verir; tanınmış nəticə hələ də düzəliş tələb edə bilər.
Skan edilmiş PDF
Səhifələrinə skan edilmiş və ya fotoşəkli çəkilmiş sənəd şəkilləri daxil olan PDF. Bəzi skan edilmiş PDF-lərin OCR mətn qatı var, digərləri isə yalnız şəkillərdən ibarətdir.
Rəqəmsal yaranmış PDF
Kağızı skan etməklə deyil, sənəd redaktoru kimi rəqəmsal məzmundan birbaşa yaradılmış PDF. O, tez-tez faktiki mətni ehtiva edir, baxmayaraq ki, seçilmə və çıxarılma hələ də onun necə hazırlandığından təsirlənə bilər.
Axtarıla bilən PDF
Oxucunun axtarış edə biləcəyi mətni ehtiva edən PDF. Skan edilmiş səhifə, tanınmış mətn şəkli ilə yanaşı əlavə edildikdə axtarıla bilən hala gələ bilər. Axtarıla bilmə özlüyündə dəqiqliyə və ya əlçatanlığa zəmanət vermir.
Mətn qatı
PDF-da saxlanılan kodlaşdırılmış mətn. Skan edilmiş səhifədə o, görünməz ola bilər və şəklin üzərində və ya altında yerləşdirilə bilər ki, orijinal görünüş görünən qaldığı halda seçim və axtarış işləsin.
Səhifə strukturu
Tanıyıcı hərfləri müəyyən etməkdən daha çox iş görməlidir. O, həm də hansı işarələrin bir-birinə aid olduğuna və oxucunun onların arasında necə hərəkət etməli olduğuna qərar verməlidir.
Düzen təhlili
Abzaslar, başlıqlar, şəkillər və cədvəllər kimi sahələrin müəyyən edilməsi. Cədvəlin sözlərini tanımaq və onun sətir-sütun strukturunu qorumaq əlaqəli, lakin fərqli tapşırıqlardır.
Oxu ardıcıllığı
Mətnin nəzərdə tutulan ardıcıllığı. İki sütunlu məqalə adətən hər iki sütun arasında dəyişmək əvəzinə, növbəti sütuna keçməzdən əvvəl bir sütunu izləməlidir. Yanlış ardıcıllıqla düzgün sözlər yararsız bir transkript yarada bilər.
Seqmentasiya
Səhifənin mətn sahələri, sətirlər və ya simvollar kimi daha kiçik vahidlərə bölünməsi. Yanlış sərhədlər qonşu sözləri birləşdirə, simvolu bölə və ya səhifənin əlaqəsiz hissələrini qarışdıra bilər.
RTL — sağdan sola mətn
Ərəb və ya ivrit kimi adətən sağdan sola axan skriptlərdəki mətn. Rəqəmlər və daxil edilmiş Latın mətni müxtəlif istiqamətləri izləyə bilər. Ekran ardıcıllığı və saxlanılan simvol ardıcıllığı mütləq eyni deyil.
Şəkil hazırlığı
Hazırlıq mövcud işarələrin tanınma üçün necə təqdim edildiyini dəyişir. O, mənbə şəklinin artıq ehtiva etmədiyi mətni yarada bilməz.
PPI və DPI
Düym başına piksel fiziki ölçüdə şəkil nümunəsini təsvir edir; düym başına nöqtə çap olunmuş nöqtə sıxlığını təsvir edir. Skan parametrləri tez-tez DPI-dan qeyri-rəsmi istifadə edir. Yalnız saxlanılan dəyəri dəyişmək mövcud şəklə təfərrüat əlavə etmir.
Deskew (əyilmənin düzəldilməsi)
Mətn sətirlərinin daha üfüqi olması üçün kiçik bir əyilmənin düzəldilməsi. Bu, tərs çevrilmiş səhifəni fırlatmaqdan və ya bucaq altında çəkilmiş fotoşəklin perspektivini düzəltməkdən fərqlidir.
Binarlaşdırma
Şəklin eşik və ya digər qərar qaydasından istifadə edərək ağ-qara piksellərə çevrilməsi. Bu, aydın səhifəni sadələşdirə bilər, lakin solğun işarələri itirə və ya yaxınlıqdakı ştrixləri birləşdirə bilər.
İlkin emal
Tanınmadan əvvəl edilən şəkil düzəlişləri, məsələn, oriyentasiyanın düzəldilməsi, kəsmə və ya kontrast dəyişiklikləri. Faydalı düzəliş durğu işarələrini, vurğuları və ya digər mənalı detalları silmədən tanınan işarələri yaxşılaşdırır.
Tanınma və nəzərdən keçirmə
Qiymətləndirmə müəyyən bir tapşırığı və məlumat dəstini təsvir edir. Onu başqa bir nəticə ilə müqayisə etməzdən və ya öz sənədlərinizi mühakimə etmək üçün istifadə etməzdən əvvəl balın tərifini oxuyun.
Əl yazısının tanınması
Əl ilə yazılmış simvolların və ya sözlərin tanınması. Birləşdirilmiş hərflər, şəxsi abbreviaturalar və yazıçıya xas formalar onu aydın çap olunmuş mətndən fərqli bir çətinliyə çevirir.
Etibarlılıq balı
Tanınma sisteminin proqnoza əlavə edə biləcəyi bir təxmin. Onun mənası sistemdən və kalibrləmədən asılıdır. Bu, avtomatik olaraq bütün sənədin düzgün olması ehtimalı deyil.
CER — simvol xətası dərəcəsi
Tanınmış mətnin yoxlanılmış istinadla müqayisəsi, istinad uzunluğuna nisbətən simvol əlavələri, silinmələri və əvəzetmələri əsasında. Aşağı olması daha yaxşıdır. Aşağı CER hələ də ad və ya rəqəmdəki vacib bir xətanı gizlədə bilər.
WER — söz xətası dərəcəsi
Söz səviyyəsində oxşar müqayisə. Bir yanlış simvol bütün sözün yanlış sayılmasına səbəb ola bilər. Buna görə də WER və CER transkriptin müxtəlif aspektlərini təsvir edir və onları bir-birini əvəz edən kimi qəbul etmək olmaz.
Həqiqi məlumat (Ground truth)
Tanınmanı qiymətləndirmək üçün istifadə olunan yoxlanılmış istinad. Onun transkripsiya qaydaları vacibdir: durğu işarələri, orfoqrafiya, boşluqlar və oxunmaz mətnlə necə davranması müqayisəyə təsir edir. Qüsurlu istinad çaşdırıcı bal yarada bilər.
Suallar və cavablar
OCR tərcümə ilə eynidirmi?
Xeyr. OCR görünən mətni redaktə edilə bilən formaya oxuyur. Tərcümə mətni başqa dildə ifadə edir. Tanınmanı əvvəlcə nəzərdən keçirmək, səhv oxunmuş mənbəni tərcümə etməkdən qaçmağa kömək edir.
Word yükləməsi orijinal tərtibatın surətidirmi?
Mütləq deyil. Redaktə edilə bilən sənəd mənbənin cədvəllərini, boşluqlarını və ya səhifə dizaynını qorumadan tanınmış mətni ehtiva edə bilər. Tərtibat vacib olduqda çıxışı orijinal ilə yoxlayın.
Niyə iki dəqiqlik balı fərqli ola bilər?
Onlar müxtəlif sənədlərdən, istinad qaydalarından və ya ölçmələrdən istifadə edə bilərlər. Simvol xətaları, söz xətaları, buraxılmış sahələr və oxu ardıcıllığı problemləri eyni şey deyil.