ফাইল এবং আউটপুট
ফাইলে কী আছে তা দিয়ে শুরু করুন। একটি PDF-এ ছবি, এনকোড করা পাঠ্য বা উভয়ই থাকতে পারে; ফাইলের নাম দেখে বোঝা যায় না যে এর শব্দগুলো নির্বাচন করা যাবে কি না।
OCR — অপটিক্যাল ক্যারেক্টার রিকগনিশন
ছবিতে দৃশ্যমান অক্ষরগুলো শনাক্ত করে সেগুলোকে এনকোড করা পাঠ্য হিসেবে উপস্থাপন করার প্রক্রিয়া। এটি আপনাকে স্ক্যান বা ছবি থেকে শব্দগুলো পুনরায় ব্যবহার করতে দেয়; তবে স্বীকৃত ফলাফলটি সংশোধন করার প্রয়োজন হতে পারে।
স্ক্যান করা PDF
একটি PDF, যার পৃষ্ঠাগুলোতে স্ক্যান করা বা ছবি তোলা নথির চিত্র থাকে। কিছু স্ক্যান করা PDF-এ একটি OCR টেক্সট লেয়ার থাকে, আবার কিছুতে শুধুমাত্র ছবি থাকে।
বর্ন-ডিজিটাল PDF
একটি PDF, যা সরাসরি ডিজিটাল কন্টেন্ট থেকে তৈরি করা হয়েছে (যেমন ডকুমেন্ট এডিটর), কাগজ স্ক্যান করে নয়। এতে প্রায়শই প্রকৃত পাঠ্য থাকে, যদিও এটি কীভাবে তৈরি হয়েছে তার ওপর ভিত্তি করে নির্বাচন এবং নিষ্কাশন প্রভাবিত হতে পারে।
অনুসন্ধানযোগ্য PDF
একটি PDF, যাতে এমন পাঠ্য থাকে যা পাঠক অনুসন্ধান করতে পারে। একটি স্ক্যান করা পৃষ্ঠা অনুসন্ধানযোগ্য হয়ে ওঠে যখন এর ছবির পাশাপাশি স্বীকৃত পাঠ্য যুক্ত করা হয়। অনুসন্ধানযোগ্যতা মানেই নির্ভুলতা বা অ্যাক্সেসযোগ্যতার নিশ্চয়তা নয়।
টেক্সট লেয়ার
একটি PDF-এ সংরক্ষিত এনকোড করা পাঠ্য। স্ক্যান করা পৃষ্ঠায় এটি অদৃশ্য থাকতে পারে এবং ছবির উপরে বা নিচে অবস্থান করতে পারে, যাতে মূল চেহারাটি দৃশ্যমান থাকলেও নির্বাচন এবং অনুসন্ধান কাজ করে।
পৃষ্ঠার গঠন
একটি শনাক্তকারীকে শুধুমাত্র অক্ষর শনাক্ত করার চেয়ে বেশি কিছু করতে হয়। এটিকে আরও সিদ্ধান্ত নিতে হয় যে কোন চিহ্নগুলো একসাথে সম্পর্কিত এবং পাঠকের কীভাবে সেগুলোর মধ্য দিয়ে পড়া উচিত।
লেআউট বিশ্লেষণ
অনুচ্ছেদ, শিরোনাম, ছবি এবং টেবিলের মতো অঞ্চলগুলো শনাক্ত করা। টেবিলের শব্দগুলো শনাক্ত করা এবং এর সারি-কলামের গঠন বজায় রাখা সম্পর্কিত কিন্তু আলাদা কাজ।
পড়ার ক্রম
পাঠ্যের উদ্দিষ্ট ক্রম। একটি দুই-কলামের নিবন্ধ সাধারণত এক কলাম শেষ করে পরেরটিতে যাওয়া উচিত, উভয় কলামের মধ্যে অদলবদল না করে। ভুল ক্রমে সঠিক শব্দগুলো একটি অকেজো প্রতিলিপি তৈরি করতে পারে।
সেগমেন্টেশন
একটি পৃষ্ঠাকে ছোট ছোট ইউনিটে ভাগ করা, যেমন পাঠ্য অঞ্চল, লাইন বা অক্ষর। ভুল সীমানা প্রতিবেশী শব্দগুলোকে জুড়ে দিতে পারে, একটি অক্ষরকে ভেঙে ফেলতে পারে বা পৃষ্ঠার সম্পর্কহীন অংশগুলোকে মিশিয়ে দিতে পারে।
RTL — ডান-থেকে-বাম পাঠ্য
আরবি বা হিব্রুর মতো লিপির পাঠ্য যা সাধারণত ডান থেকে বামে প্রবাহিত হয়। সংখ্যা এবং অন্তর্ভুক্ত ল্যাটিন পাঠ্য ভিন্ন দিক অনুসরণ করতে পারে। প্রদর্শনের ক্রম এবং সংরক্ষিত অক্ষরের ক্রম সবসময় একই হয় না।
ছবি প্রস্তুতকরণ
প্রস্তুতি শনাক্তকরণের জন্য বিদ্যমান চিহ্নগুলো কীভাবে উপস্থাপন করা হবে তা পরিবর্তন করে। এটি এমন পাঠ্য তৈরি করতে পারে না যা মূল ছবিতে আর নেই।
PPI এবং DPI
পিক্সেলস পার ইঞ্চ একটি ভৌত আকারে ছবির স্যাম্পলিং বর্ণনা করে; ডটস পার ইঞ্চ মুদ্রিত ডটের ঘনত্ব বর্ণনা করে। স্ক্যানিং সেটিংসে প্রায়শই DPI অনানুষ্ঠানিকভাবে ব্যবহৃত হয়। শুধুমাত্র সংরক্ষিত মান পরিবর্তন করলে বিদ্যমান ছবিতে নতুন কোনো বিস্তারিত যোগ হয় না।
ডেস্কিউ (Deskew)
একটি সামান্য বাঁক সংশোধন করা যাতে পাঠ্যের লাইনগুলো আরও অনুভূমিক হয়। এটি উল্টো পৃষ্ঠা ঘোরানো বা কোণ থেকে তোলা ছবির পরিপ্রেক্ষিত সংশোধন করার চেয়ে আলাদা।
বাইনারাইজেশন
একটি থ্রেশহোল্ড বা অন্যান্য সিদ্ধান্ত গ্রহণের নিয়ম ব্যবহার করে ছবিকে সাদা-কালো পিক্সেলে রূপান্তর করা। এটি একটি পরিষ্কার পৃষ্ঠাকে সহজ করতে পারে, কিন্তু হালকা চিহ্নগুলো হারিয়ে ফেলতে পারে বা কাছাকাছি থাকা রেখাগুলোকে মিশিয়ে দিতে পারে।
প্রি-প্রসেসিং
শনাক্তকরণের আগে ছবির সমন্বয়, যেমন ওরিয়েন্টেশন সংশোধন, ক্রপিং বা কন্ট্রাস্ট পরিবর্তন। একটি কার্যকর সমন্বয় বিরামচিহ্ন, অ্যাকসেন্ট বা অন্যান্য অর্থপূর্ণ বিবরণ মুছে না ফেলে শনাক্তযোগ্য চিহ্নগুলোকে উন্নত করে।
শনাক্তকরণ এবং পর্যালোচনা
একটি মূল্যায়ন একটি নির্দিষ্ট কাজ এবং ডেটাসেট বর্ণনা করে। অন্য ফলাফলের সাথে তুলনা করার আগে বা আপনার নিজের নথি বিচার করার আগে স্কোরের সংজ্ঞাটি পড়ুন।
হস্তলিপি শনাক্তকরণ
হাতে লেখা অক্ষর বা শব্দ শনাক্তকরণ। সংযুক্ত অক্ষর, ব্যক্তিগত সংক্ষিপ্ত রূপ এবং লেখকের নিজস্ব শৈলী এটিকে পরিষ্কার মুদ্রিত পাঠ্যের চেয়ে ভিন্ন চ্যালেঞ্জে পরিণত করে।
কনফিডেন্স স্কোর
একটি শনাক্তকরণ সিস্টেম কোনো পূর্বাভাসের সাথে যে অনুমান যুক্ত করতে পারে। এর অর্থ সিস্টেম এবং ক্যালিব্রেশনের ওপর নির্ভর করে। এটি স্বয়ংক্রিয়ভাবে পুরো নথি সঠিক হওয়ার সম্ভাবনা নয়।
CER — ক্যারেক্টার এরর রেট
রেফারেন্স দৈর্ঘ্যের সাপেক্ষে অক্ষরের সংযোজন, বিয়োজন এবং প্রতিস্থাপনের ওপর ভিত্তি করে স্বীকৃত পাঠ্যের সাথে একটি পরীক্ষিত রেফারেন্সের তুলনা। কম স্কোর ভালো। একটি কম CER-ও নাম বা সংখ্যায় গুরুত্বপূর্ণ ভুল লুকিয়ে রাখতে পারে।
WER — ওয়ার্ড এরর রেট
শব্দের স্তরে একটি অনুরূপ তুলনা। একটি ভুল অক্ষর পুরো শব্দটিকে ভুল হিসেবে গণ্য করতে পারে। তাই WER এবং CER প্রতিলিপির বিভিন্ন দিক বর্ণনা করে এবং সেগুলোকে অদলবদলযোগ্য হিসেবে গণ্য করা উচিত নয়।
গ্রাউন্ড ট্রুথ
শনাক্তকরণ মূল্যায়নের জন্য ব্যবহৃত পরীক্ষিত রেফারেন্স। এর প্রতিলিপি কনভেনশন গুরুত্বপূর্ণ: এটি বিরামচিহ্ন, বানান, স্পেস এবং অপাঠ্য পাঠ্য কীভাবে পরিচালনা করে তা তুলনার ওপর প্রভাব ফেলে। একটি ত্রুটিপূর্ণ রেফারেন্স বিভ্রান্তিকর স্কোর তৈরি করতে পারে।
প্রশ্ন এবং উত্তর
OCR কি অনুবাদের সমান?
না। OCR দৃশ্যমান পাঠ্যকে একটি সম্পাদনাযোগ্য আকারে পড়ে। অনুবাদ পাঠ্যকে অন্য ভাষায় প্রকাশ করে। শনাক্তকরণ আগে পর্যালোচনা করলে ভুলভাবে পড়া উৎস অনুবাদ করা এড়ানো যায়।
ওয়ার্ড ডাউনলোড কি মূল লেআউটের একটি অনুলিপি?
সবসময় নয়। একটি সম্পাদনাযোগ্য নথিতে মূল টেবিল, স্পেসিং বা পৃষ্ঠার নকশা বজায় না রেখেও স্বীকৃত পাঠ্য থাকতে পারে। লেআউট গুরুত্বপূর্ণ হলে মূলের সাথে আউটপুটটি মিলিয়ে দেখুন।
কেন দুটি নির্ভুলতার স্কোর ভিন্ন হতে পারে?
তারা হয়তো ভিন্ন নথি, রেফারেন্স কনভেনশন বা পরিমাপ ব্যবহার করছে। অক্ষরের ভুল, শব্দের ভুল, বাদ পড়া অঞ্চল এবং পড়ার ক্রমের সমস্যাগুলো একই বিষয় নয়।