فائلیں اور آؤٹ پٹ
اس سے شروع کریں کہ فائل میں کیا ہے۔ ایک PDF میں تصاویر، انکوڈ شدہ متن یا دونوں ہو سکتے ہیں؛ اس کا فائل نام یہ نہیں بتاتا کہ آیا اس کے الفاظ کو منتخب کیا جا سکتا ہے۔
OCR — آپٹیکل کریکٹر ریکگنیشن
تصویر میں موجود حروف کی شناخت کرنے اور انہیں انکوڈ شدہ متن کے طور پر پیش کرنے کا عمل۔ یہ آپ کو اسکین یا تصویر سے الفاظ دوبارہ استعمال کرنے کی سہولت دیتا ہے؛ شناخت شدہ نتیجے کو اب بھی تصحیح کی ضرورت ہو سکتی ہے۔
اسکین شدہ PDF
ایک PDF جس کے صفحات میں اسکین شدہ یا فوٹو کھینچی گئی دستاویز کی تصاویر شامل ہوں۔ کچھ اسکین شدہ پی ڈی ایف میں OCR ٹیکسٹ لیئر بھی ہوتی ہے، جبکہ دیگر میں صرف تصاویر ہوتی ہیں۔
ڈیجیٹل طور پر تخلیق شدہ PDF
ایک PDF جو براہ راست ڈیجیٹل مواد سے تخلیق کی گئی ہو، جیسے کہ ڈاکومنٹ ایڈیٹر، نہ کہ کاغذ کو اسکین کر کے۔ اس میں اکثر اصل متن ہوتا ہے، حالانکہ انتخاب اور نکالنے کا عمل اس بات سے متاثر ہو سکتا ہے کہ اسے کیسے تیار کیا گیا تھا۔
تلاش کے قابل PDF
ایک PDF جس میں ایسا متن ہو جسے قاری تلاش کر سکے۔ اسکین شدہ صفحہ تب قابل تلاش بن سکتا ہے جب اس کی تصویر کے ساتھ شناخت شدہ متن شامل کیا جائے۔ تلاش کی اہلیت بذات خود درستگی یا رسائی کی ضمانت نہیں دیتی۔
ٹیکسٹ لیئر
ایک PDF میں محفوظ انکوڈ شدہ متن۔ اسکین شدہ صفحے پر یہ پوشیدہ ہو سکتا ہے اور تصویر کے اوپر یا نیچے رکھا جا سکتا ہے تاکہ انتخاب اور تلاش کا کام ہو سکے جبکہ اصل شکل برقرار رہے۔
صفحے کی ساخت
شناخت کرنے والے کو صرف حروف کی شناخت سے زیادہ کام کرنا ہوتا ہے۔ اسے یہ بھی طے کرنا ہوتا ہے کہ کون سے نشانات ایک ساتھ تعلق رکھتے ہیں اور قاری کو ان کے ذریعے کیسے آگے بڑھنا چاہیے۔
لے آؤٹ کا تجزیہ
پیراگراف، سرخیوں، تصاویر اور جدولوں جیسے حصوں کی شناخت کرنا۔ کسی جدول کے الفاظ کو پہچاننا اور اس کی قطار اور کالم کی ساخت کو برقرار رکھنا متعلقہ لیکن الگ الگ کام ہیں۔
پڑھنے کی ترتیب
متن کی مطلوبہ ترتیب۔ دو کالم والے مضمون کو عام طور پر ایک کالم مکمل کرنے کے بعد دوسرے میں جانا چاہیے، نہ کہ دونوں کے درمیان باری باری۔ غلط ترتیب میں درست الفاظ ایک ناقابل استعمال ٹرانسکرپٹ پیدا کر سکتے ہیں۔
سیگمنٹیشن (Segmentation)
صفحے کو چھوٹی اکائیوں جیسے ٹیکسٹ ریجنز، لائنوں یا حروف میں تقسیم کرنا۔ غلط حدود پڑوسی الفاظ کو جوڑ سکتی ہیں، کسی حرف کو تقسیم کر سکتی ہیں یا صفحے کے غیر متعلقہ حصوں کو ملا سکتی ہیں۔
RTL — دائیں سے بائیں متن
عربی یا عبرانی جیسی اسکرپٹس میں متن جو عام طور پر دائیں سے بائیں بہتا ہے۔ نمبر اور شامل لاطینی متن مختلف سمتوں کی پیروی کر سکتے ہیں۔ ڈسپلے کی ترتیب اور محفوظ کردہ حروف کی ترتیب ضروری نہیں کہ ایک جیسی ہو۔
امیج کی تیاری
تیاری اس بات کو بدلتی ہے کہ موجودہ نشانات شناخت کے لیے کیسے پیش کیے جاتے ہیں۔ یہ ایسا متن قائم نہیں کر سکتی جو ماخذ تصویر میں اب موجود نہ ہو۔
PPI اور DPI
پکسلز فی انچ جسمانی سائز پر امیج سیمپلنگ کو بیان کرتا ہے؛ ڈاٹس فی انچ پرنٹ شدہ ڈاٹ کی کثافت کو بیان کرتا ہے۔ اسکیننگ کی ترتیبات اکثر غیر رسمی طور پر DPI کا استعمال کرتی ہیں۔ صرف محفوظ شدہ قدر کو تبدیل کرنے سے موجودہ تصویر میں تفصیل شامل نہیں ہوتی۔
ڈیسکیو (Deskew)
ایک معمولی جھکاؤ کو درست کرنا تاکہ متن کی لائنیں زیادہ افقی ہو جائیں۔ یہ الٹے صفحے کو سیدھا کرنے یا کسی زاویے سے لی گئی تصویر کے تناظر کو درست کرنے سے مختلف ہے۔
بائنرائزیشن (Binarization)
تھریش ہولڈ یا دیگر فیصلے کے اصول کا استعمال کرتے ہوئے تصویر کو سیاہ اور سفید پکسلز میں تبدیل کرنا۔ یہ ایک واضح صفحے کو آسان بنا سکتا ہے، لیکن ہلکے نشانات کو کھو سکتا ہے یا قریبی لکیروں کو ملا سکتا ہے۔
پری پروسیسنگ
شناخت سے پہلے کی گئی امیج ایڈجسٹمنٹ، جیسے اورینٹیشن کی تصحیح، کراپنگ یا کنٹراسٹ میں تبدیلیاں۔ ایک مفید ایڈجسٹمنٹ نشانات کو ہٹائے بغیر قابل شناخت نشانات کو بہتر بناتی ہے، جیسے کہ اوقاف، لہجے یا دیگر معنی خیز تفصیلات۔
شناخت اور جائزہ
ایک تشخیص کسی خاص کام اور ڈیٹا سیٹ کو بیان کرتی ہے۔ کسی دوسرے نتیجے کے ساتھ موازنہ کرنے یا اپنی دستاویزات کو جانچنے کے لیے اسکور کی تعریف پڑھیں۔
ہینڈ رائٹنگ کی شناخت
ہاتھ سے لکھے ہوئے حروف یا الفاظ کی شناخت۔ جڑے ہوئے حروف، ذاتی مخففات اور لکھاری کے مخصوص انداز اسے واضح پرنٹ شدہ متن سے ایک مختلف چیلنج بناتے ہیں۔
اعتماد کا اسکور (Confidence score)
ایک تخمینہ جو شناخت کا نظام پیش گوئی کے ساتھ منسلک کر سکتا ہے۔ اس کا مطلب نظام اور کیلیبریشن پر منحصر ہے۔ یہ خود بخود اس بات کی ضمانت نہیں ہے کہ پوری دستاویز درست ہے۔
CER — کریکٹر ایرر ریٹ
شناخت شدہ متن کا ایک چیک شدہ ریفرنس کے ساتھ موازنہ، جو ریفرنس کی لمبائی کے لحاظ سے حروف کے اندراج، حذف اور تبدیلیوں پر مبنی ہے۔ کم اسکور بہتر ہے۔ کم CER اب بھی کسی نام یا نمبر میں اہم غلطی کو چھپا سکتا ہے۔
WER — ورڈ ایرر ریٹ
لفظ کی سطح پر اسی طرح کا موازنہ۔ ایک غلط حرف پورے لفظ کو غلط قرار دے سکتا ہے۔ لہذا WER اور CER ٹرانسکرپٹ کے مختلف پہلوؤں کو بیان کرتے ہیں اور انہیں ایک دوسرے کے متبادل کے طور پر نہیں لیا جانا چاہیے۔
گراؤنڈ ٹروتھ (Ground truth)
شناخت کی جانچ کے لیے استعمال ہونے والا چیک شدہ ریفرنس۔ اس کے ٹرانسکرپشن کے اصول اہم ہیں: یہ اوقاف، ہجے، خالی جگہوں اور ناقابل پڑھ متن کو کیسے ہینڈل کرتا ہے، یہ موازنہ کو متاثر کرتا ہے۔ ایک ناقص ریفرنس گمراہ کن اسکور پیدا کر سکتا ہے۔
سوالات اور جوابات
کیا OCR ترجمہ کے مترادف ہے؟
نہیں۔ OCR مرئی متن کو قابل تدوین شکل میں پڑھتا ہے۔ ترجمہ متن کو دوسری زبان میں بیان کرتا ہے۔ شناخت کا پہلے جائزہ لینا غلط پڑھے گئے ماخذ کا ترجمہ کرنے سے بچنے میں مدد کرتا ہے۔
کیا ورڈ ڈاؤن لوڈ اصل لے آؤٹ کی کاپی ہے؟
ضروری نہیں۔ ایک قابل تدوین دستاویز میں شناخت شدہ متن ہو سکتا ہے بغیر اس کے کہ وہ ماخذ کے جدول، اسپیسنگ یا صفحے کے ڈیزائن کو برقرار رکھے۔ جب لے آؤٹ اہم ہو تو آؤٹ پٹ کو اصل کے ساتھ چیک کریں۔
دو درستگی کے اسکور کیوں مختلف ہو سکتے ہیں؟
وہ مختلف دستاویزات، ریفرنس کنونشنز یا پیمائش کا استعمال کر سکتے ہیں۔ حروف کی غلطیاں، الفاظ کی غلطیاں، چھوڑے گئے حصے اور پڑھنے کی ترتیب کے مسائل ایک جیسی چیزیں نہیں ہیں۔