فایل‌ها و خروجی
با محتوای فایل شروع کنید. یک PDF میتواند شامل تصاویر، متن کدگذاری‌شده یا هر دو باشد؛ نام فایل به شما نمی‌گوید که آیا کلمات آن قابل انتخاب هستند یا خیر.
OCR — تشخیص نوری نویسه‌ها
فرآیند شناسایی نویسه‌های قابل مشاهده در یک تصویر و نمایش آنها به صورت متن کدگذاری‌شده. این کار به شما امکان می‌دهد کلمات را از یک اسکن یا عکس دوباره استفاده کنید؛ نتیجه شناساییشده ممکن است همچنان نیاز به اصلاح داشته باشد.
PDF اسکن‌شده
یک PDF که صفحات آن شامل تصاویر اسکن‌شده یا عکس‌برداری‌شده از سند است. برخی از فایل‌های PDF اسکن‌شده دارای یک لایه متن OCR هستند، در حالی که برخی دیگر فقط شامل تصویر می‌باشند.
PDF دیجیتال‌زاد
یک PDF که مستقیماً از محتوای دیجیتال، مانند یک ویرایشگر سند، ایجاد شده است تا اینکه از طریق اسکن کاغذ به دست آمده باشد. این فایل اغلب حاوی متن واقعی است، اگرچه انتخاب و استخراج آن همچنان میتواند تحت تأثیر نحوه تولید آن قرار گیرد.
قابل جستجو PDF
یک PDF حاوی متنی که خواننده میتواند آن را جستجو کند. یک صفحه اسکن‌شده زمانی میتواند قابل جستجو شود که متن شناساییشده در کنار تصویر آن اضافه شود. قابلیت جستجو به تنهایی تضمین‌کننده دقت یا دسترسی‌پذیری نیست.
لایه متن
متن کدگذاری‌شده ذخیره‌شده در یک PDF. در یک صفحه اسکن‌شده، این لایه ممکن است نامرئی باشد و روی یا زیر تصویر قرار گیرد تا انتخاب و جستجو کار کند، در حالی که ظاهر اصلی همچنان قابل مشاهده باقی می‌ماند.
ساختار صفحه
یک سیستم شناسایی باید کاری فراتر از تشخیص حروف انجام دهد. همچنین باید تصمیم بگیرد که کدام علائم به هم تعلق دارند و خواننده چگونه باید در میان آنها حرکت کند.
تحلیل طرحبندی
شناسایی بخش‌هایی مانند پاراگراف‌ها، سرتیترها، تصاویر و جداول. تشخیص کلمات یک جدول و حفظ ساختار سطر و ستون آن، وظایفی مرتبط اما متمایز هستند.
ترتیب خواندن
توالی مورد نظر متن. یک مقاله دو ستونی باید معمولاً قبل از ادامه در ستون بعدی، یک ستون را دنبال کند، نه اینکه به صورت متناوب بین هر دو حرکت کند. کلمات صحیح در ترتیب اشتباه میتوانند یک متن غیرقابل استفاده ایجاد کنند.
بخش‌بندی (Segmentation)
تقسیم یک صفحه به واحدهای کوچک‌تر مانند مناطق متنی، خطوط یا نویسه‌ها. مرزهای نادرست میتوانند کلمات مجاور را به هم متصل کنند، یک نویسه را تقسیم کنند یا بخش‌های نامرتبط یک صفحه را با هم ترکیب کنند.
RTL — متن راست‌چین
متنی در خطوطی مانند عربی یا فارسی که معمولاً از راست به چپ جریان دارد. اعداد و متن‌های لاتین جاسازی‌شده میتوانند جهت‌های متفاوتی را دنبال کنند. ترتیب نمایش و ترتیب نویسه‌های ذخیره‌شده لزوماً یکسان نیستند.
آماده‌سازی تصویر
آماده‌سازی، نحوه ارائه علائم موجود به سیستم شناسایی را تغییر می‌دهد. این کار نمی‌تواند متنی را که تصویر منبع دیگر حاوی آن نیست، ایجاد کند.
PPI و DPI
پیکسل در اینچ نمونه‌برداری تصویر در یک اندازه فیزیکی را توصیف میکند؛ نقطه در اینچ چگالی نقاط چاپ‌شده را توصیف میکند. تنظیمات اسکن اغلب به طور غیررسمی از DPI استفاده می‌کنند. تغییر مقدار ذخیره‌شده به تنهایی جزئیاتی به تصویر موجود اضافه نمی‌کند.
اصلاح کجی (Deskew)
اصلاح یک کجی جزئی به طوری که خطوط متن افقی‌تر شوند. این کار با چرخاندن یک صفحه وارونه یا اصلاح پرسپکتیو عکسی که با زاویه گرفته شده، متفاوت است.
دودویی‌سازی (Binarization)
تبدیل یک تصویر به پیکسل‌های سیاه و سفید با استفاده از یک آستانه یا قاعده تصمیم‌گیری دیگر. این کار ممکن است یک صفحه واضح را ساده کند، اما همچنین میتواند علائم کم‌رنگ را از بین ببرد یا خطوط نزدیک به هم را ادغام کند.
پیش‌پردازش
تنظیمات تصویر که قبل از شناسایی انجام می‌شوند، مانند اصلاح جهت، برش یا تغییرات کنتراست. یک تنظیم مفید، علائم قابل شناسایی را بدون حذف علائم نگارشی، اعراب یا سایر جزئیات معنادار بهبود می‌بخشد.
شناسایی و بازبینی
یک ارزیابی، وظیفه و مجموعه داده خاصی را توصیف میکند. قبل از مقایسه یک امتیاز با نتیجه‌ای دیگر یا استفاده از آن برای قضاوت در مورد اسناد خود، تعریف آن امتیاز را بخوانید.
تشخیص دست‌خط
شناسایی نویسه‌ها یا کلمات دست‌نویس. حروف متصل، اختصارات شخصی و اشکال خاص نویسنده، آن را به چالشی متفاوت از متن چاپی واضح تبدیل میکند.
امتیاز اطمینان
تخمینی که یک سیستم شناسایی ممکن است به یک پیش‌بینی اختصاص دهد. معنای آن به سیستم و کالیبراسیون بستگی دارد. این امتیاز به طور خودکار احتمال صحیح بودن کل یک سند نیست.
CER — نرخ خطای نویسه
مقایسه متن شناساییشده با یک مرجع بررسی‌شده، بر اساس درج، حذف و جایگزینی نویسه‌ها نسبت به طول مرجع. کمتر بودن بهتر است. یک CER پایین همچنان میتواند خطای مهمی را در یک نام یا عدد پنهان کند.
WER — نرخ خطای کلمه
مقایسه‌ای مشابه در سطح کلمه. یک نویسه نادرست میتواند باعث شود کل یک کلمه اشتباه شمرده شود. بنابراین WER و CER جنبه‌های متفاوتی از یک متن را توصیف می‌کنند و نباید به عنوان جایگزین یکدیگر در نظر گرفته شوند.
حقیقت پایه (Ground truth)
مرجع بررسی‌شده‌ای که برای ارزیابی شناسایی استفاده می‌شود. قراردادهای رونویسی آن اهمیت دارد: نحوه برخورد با علائم نگارشی، املا، فاصله‌ها و متن‌های ناخوانا بر مقایسه تأثیر می‌گذارد. یک مرجع ناقص میتواند امتیاز گمراه‌کننده‌ای ایجاد کند.
پرسش و پاسخ
آیا OCR همان ترجمه است؟
خیر. OCR متن قابل مشاهده را به شکلی قابل ویرایش میخواند. ترجمه، متن را به زبان دیگری بیان میکند. بازبینی شناسایی در ابتدا به جلوگیری از ترجمه یک منبع اشتباهخواندهشده کمک میکند.
آیا دانلود Word یک کپی از طرحبندی اصلی است؟
لزوماً خیر. یک سند قابل ویرایش میتواند حاوی متن شناساییشده باشد بدون اینکه جداول، فاصلهگذاری یا طراحی صفحه منبع را حفظ کند. زمانی که طرحبندی اهمیت دارد، خروجی را با نسخه اصلی بررسی کنید.
چرا دو امتیاز دقت میتوانند با هم اختلاف داشته باشند؟
آنها ممکن است از اسناد، قراردادهای مرجع یا اندازهگیریهای متفاوتی استفاده کنند. خطاهای نویسه، خطاهای کلمه، مناطق حذفشده و مشکلات ترتیب خواندن، یکسان نیستند.