Какво е OCR и OCR технология? (част 1)

Да предположим, че искате да дигитализирате една статия в списание или принтиран договор. Можете да прекарате часове преписвайки и коригирайки печатните грешки. Или можете да конвертирате всичко необходимо в цифров формат за няколко минути с помощта на скенера или цифровия фотоапарат и софтуера за оптично разпознаване на символи (Optical character recognition).

Какво точно се има предвид с OCR?

Оптичното разпознаване на символи, или OCR, е технология, която ви позволява да конвертирате различни видове документи, сканирани хартиени документи, PDF файлове или изображения, заснети с цифров апарат, във редактируеми файлове, в които можете да търсите.

Представете си, че имате документ на хартиен носител – например статия в списание, брошура или PDF договор, който партньорът ви е пратил по електронната поща. Очевидно е, че скенерът не е достатъчен, за да направи тази информация достъпна за редактиране да кажем в Microsoft Word. Всичко, което един скенер може да направи, е да създаден образ или снимка на документа, който не е нищо повече от сбор от черно-бели и цветни точици, известни като растерни изображения. За да извлече и промени предназначението на данните от сканираните документи, ви е необходим OCR софтуер, който превръща образите в букви, слага ги в думи, които пък превръща в изречения, като ви дава възможност за достъп и редакция на съдържанието на оригиналния документ.

Каква технология се крие зад OCR?

Точните механизми, които позволяват на хората да разпознават обекти все още предстои да бъдат изяснени, но трите основни принципа са вече добре познати на учените – цялостност, целесъобразност и адаптивност (integrity, purposefulness and adaptability, or IPA). Тези принципи са в ядрото на OCR софтуерите.

Нека видим как софтуерът разпознава текст. Първо, програмата анализира структурата на документа-изображение. Разделя страниците на елементи като блокове от текст, таблици, изображения и т.н. Линиите са разделени на думи, а после на знаци (букви). След като знаците са разделени програмата ги сравнява с набор от модели изображения. Тя издига безброй хипотези за това кой знак е това. Базирайки се на тях програмата анализира различни варианти за разчупване на линиите в думи, а после тях в знаци. След обработката на огромен брой вероятни хипотези, програмата взима решение и ви представя разпознатия текст.