फ़ाइलें और आउटपुट
इस बात से शुरुआत करें कि फ़ाइल में क्या है। एक PDF में चित्र, एन्कोडेड टेक्स्ट या दोनों हो सकते हैं; इसका फ़ाइल नाम यह नहीं बताता कि इसके शब्दों को चुना जा सकता है या नहीं।
OCR — ऑप्टिकल कैरेक्टर रिकग्निशन
किसी छवि में दिखाई देने वाले वर्णों की पहचान करने और उन्हें एन्कोडेड टेक्स्ट के रूप में प्रस्तुत करने की प्रक्रिया। यह आपको स्कैन या फोटो से शब्दों का पुन: उपयोग करने की सुविधा देता है; पहचाने गए परिणाम को अभी भी सुधार की आवश्यकता हो सकती है।
स्कैन की गई PDF
एक PDF जिसके पृष्ठों में स्कैन किए गए या फोटो खींचे गए दस्तावेज़ चित्र शामिल हैं। कुछ स्कैन की गई PDF में OCR टेक्स्ट लेयर भी होती है, जबकि अन्य में केवल चित्र होते हैं।
बॉर्न-डिजिटल PDF
एक PDF जिसे सीधे डिजिटल सामग्री से बनाया गया है, जैसे कि दस्तावेज़ संपादक, न कि कागज़ को स्कैन करके। इसमें अक्सर वास्तविक टेक्स्ट होता है, हालांकि चयन और निष्कर्षण अभी भी इस बात से प्रभावित हो सकते हैं कि इसे कैसे तैयार किया गया था।
खोजने योग्य PDF
एक PDF जिसमें ऐसा टेक्स्ट होता है जिसे पाठक खोज सकता है। जब स्कैन किए गए पृष्ठ के साथ पहचाना गया टेक्स्ट जोड़ा जाता है, तो वह खोजने योग्य बन सकता है। खोजने की क्षमता अपने आप में सटीकता या पहुंच की गारंटी नहीं देती है।
टेक्स्ट लेयर
एक PDF में संग्रहीत एन्कोडेड टेक्स्ट। स्कैन किए गए पृष्ठ पर यह अदृश्य हो सकता है और छवि के ऊपर या नीचे स्थित हो सकता है ताकि चयन और खोज कार्य कर सकें जबकि मूल स्वरूप दिखाई देता रहे।
पृष्ठ संरचना
एक पहचानकर्ता को केवल अक्षरों की पहचान करने से अधिक कार्य करना होता है। उसे यह भी तय करना होता है कि कौन से निशान एक साथ संबंधित हैं और पाठक को उनके माध्यम से कैसे आगे बढ़ना चाहिए।
लेआउट विश्लेषण
पैराग्राफ, हेडिंग, चित्र और तालिकाओं जैसे क्षेत्रों की पहचान करना। किसी तालिका के शब्दों को पहचानना और उसकी पंक्ति-और-स्तंभ संरचना को संरक्षित करना संबंधित लेकिन अलग-अलग कार्य हैं।
पढ़ने का क्रम
पाठ का इच्छित अनुक्रम। दो-कॉलम वाले लेख को सामान्यतः एक कॉलम के बाद दूसरे कॉलम में जारी रखना चाहिए, न कि दोनों के बीच बारी-बारी से। गलत क्रम में सही शब्द एक अनुपयोगी प्रतिलेख उत्पन्न कर सकते हैं।
विभाजन (Segmentation)
एक पृष्ठ को छोटे इकाइयों जैसे टेक्स्ट क्षेत्रों, पंक्तियों या वर्णों में विभाजित करना। गलत सीमाएं पड़ोसी शब्दों को जोड़ सकती हैं, एक वर्ण को विभाजित कर सकती हैं या पृष्ठ के असंबंधित हिस्सों को मिला सकती हैं।
RTL — दाएं-से-बाएं पाठ
अरबी या हिब्रू जैसी लिपियों में पाठ जो सामान्यतः दाएं से बाएं प्रवाहित होता है। संख्याएं और एम्बेडेड लैटिन पाठ अलग-अलग दिशाओं का पालन कर सकते हैं। प्रदर्शन क्रम और संग्रहीत वर्ण क्रम आवश्यक रूप से समान नहीं होते हैं।
छवि तैयारी
तैयारी यह बदलती है कि मौजूदा निशान पहचान के लिए कैसे प्रस्तुत किए जाते हैं। यह ऐसा टेक्स्ट स्थापित नहीं कर सकती जो स्रोत छवि में अब मौजूद नहीं है।
PPI और DPI
पिक्सेल प्रति इंच भौतिक आकार पर छवि नमूनाकरण का वर्णन करता है; डॉट्स प्रति इंच मुद्रित डॉट घनत्व का वर्णन करता है। स्कैनिंग सेटिंग्स अक्सर अनौपचारिक रूप से DPI का उपयोग करती हैं। केवल संग्रहीत मान को बदलने से मौजूदा छवि में विवरण नहीं जुड़ता है।
डेस्क्यू (Deskew)
एक छोटे झुकाव को ठीक करना ताकि टेक्स्ट पंक्तियाँ अधिक क्षैतिज हो जाएं। यह उल्टे पृष्ठ को घुमाने या किसी कोण पर ली गई तस्वीर के परिप्रेक्ष्य को ठीक करने से अलग है।
बाइनरीकरण (Binarization)
थ्रेशोल्ड या अन्य निर्णय नियम का उपयोग करके छवि को ब्लैक एंड व्हाइट पिक्सेल में बदलना। यह एक स्पष्ट पृष्ठ को सरल बना सकता है, लेकिन फीके निशानों को खो सकता है या पास के स्ट्रोक को मिला सकता है।
प्रीप्रोसेसिंग
पहचान से पहले किए गए छवि समायोजन, जैसे ओरिएंटेशन सुधार, क्रॉपिंग या कंट्रास्ट परिवर्तन। एक उपयोगी समायोजन विराम चिह्नों, लहजों या अन्य सार्थक विवरणों को हटाए बिना पहचानने योग्य निशानों में सुधार करता है।
पहचान और समीक्षा
एक मूल्यांकन किसी विशेष कार्य और डेटासेट का वर्णन करता है। किसी अन्य परिणाम के साथ तुलना करने या अपने स्वयं के दस्तावेज़ों को आंकने के लिए उपयोग करने से पहले स्कोर की परिभाषा पढ़ें।
हस्तलेखन पहचान
हस्तलिखित वर्णों या शब्दों की पहचान। जुड़े हुए अक्षर, व्यक्तिगत संक्षिप्त नाम और लेखक-विशिष्ट आकृतियाँ इसे स्पष्ट मुद्रित पाठ से एक अलग चुनौती बनाती हैं।
कॉन्फिडेंस स्कोर
एक अनुमान जिसे एक पहचान प्रणाली भविष्यवाणी के साथ जोड़ सकती है। इसका अर्थ प्रणाली और अंशांकन पर निर्भर करता है। यह स्वचालित रूप से वह संभावना नहीं है कि पूरा दस्तावेज़ सही है।
CER — कैरेक्टर एरर रेट
संदर्भ लंबाई के सापेक्ष वर्ण प्रविष्टि, विलोपन और प्रतिस्थापन के आधार पर, एक जाँचे गए संदर्भ के साथ पहचाने गए पाठ की तुलना। कम स्कोर बेहतर है। कम CER अभी भी किसी नाम या संख्या में एक महत्वपूर्ण त्रुटि को छिपा सकता है।
WER — वर्ड एरर रेट
शब्द स्तर पर एक समान तुलना। एक गलत वर्ण पूरे शब्द को गलत मान सकता है। इसलिए WER और CER प्रतिलेख के विभिन्न पहलुओं का वर्णन करते हैं और उन्हें परस्पर विनिमेय नहीं माना जाना चाहिए।
ग्राउंड ट्रुथ
पहचान का मूल्यांकन करने के लिए उपयोग किया जाने वाला जाँचा गया संदर्भ। इसके प्रतिलेखन सम्मेलन मायने रखते हैं: यह विराम चिह्नों, वर्तनी, रिक्त स्थान और अपठनीय पाठ को कैसे संभालता है, यह तुलना को प्रभावित करता है। एक त्रुटिपूर्ण संदर्भ भ्रामक स्कोर उत्पन्न कर सकता है।
प्रश्न और उत्तर
क्या OCR अनुवाद के समान है?
नहीं। OCR दिखाई देने वाले पाठ को संपादन योग्य रूप में पढ़ता है। अनुवाद पाठ को दूसरी भाषा में व्यक्त करता है। पहले पहचान की समीक्षा करने से गलत पढ़े गए स्रोत का अनुवाद करने से बचने में मदद मिलती है।
क्या वर्ड डाउनलोड मूल लेआउट की एक प्रति है?
जरूरी नहीं। एक संपादन योग्य दस्तावेज़ में स्रोत की तालिकाओं, रिक्ति या पृष्ठ डिज़ाइन को संरक्षित किए बिना पहचाना गया टेक्स्ट हो सकता है। जब लेआउट मायने रखता है, तो आउटपुट की मूल से तुलना करें।
दो सटीकता स्कोर असहमत क्यों हो सकते हैं?
वे अलग-अलग दस्तावेज़ों, संदर्भ सम्मेलनों या मापों का उपयोग कर सकते हैं। वर्ण त्रुटियां, शब्द त्रुटियां, छोड़े गए क्षेत्र और पढ़ने के क्रम की समस्याएं एक ही चीज़ नहीं हैं।