1.1.5. Системы оптического распознавания документов

Определения и обозначения

Оптическое распознавание символов (OCR) — преобразование изображения текста в текстовые данные, которые можно редактировать и искать. Проще говоря, программа переводит изображённые буквы в набор символов. Это позволяет работать с содержимым страницы, а не только просматривать её как картинку.

Система оптического распознавания документов — программа, которая анализирует изображение документа и распознаёт содержащиеся в нём символы. Она нужна, когда текст получен в виде скана или фотографии и его требуется перенести в электронный документ. Такие системы могут обрабатывать как отдельные страницы, так и многостраничные файлы.

Сканирование — получение цифрового изображения документа с помощью сканера или камеры. Результатом может быть файл, в котором страница сохранена как изображение. Сканирование необходимо, чтобы передать документ компьютеру, но само по себе оно не создаёт редактируемый текст.

Распознанный текст — результат OCR, представленный символами и словами, а не только изображением страницы. Его можно изменять, копировать и искать по нему. Это отличает распознанный документ от скана, который обычно можно лишь просматривать как картинку.

Как это устроено

Сначала документ переводят в цифровой вид: его сканируют или фотографируют. Это необходимо потому, что программа OCR анализирует изображение, а не бумажный лист напрямую. Если страница освещена неравномерно или снята под углом, текст на снимке может быть труднее распознать.

Перед анализом система подготавливает изображение: оценивает его качество и ориентацию, находит области с текстом. Это помогает отделить строки и символы от фона, а также определить, где начинаются колонки или отдельные блоки. Такая обработка нужна, чтобы наклонённая или неидеально снятая страница не мешала дальнейшему распознаванию.

Затем программа сопоставляет фрагменты изображения с возможными символами. Она учитывает форму знака, его положение относительно соседних букв и особенности языка, например вероятные сочетания букв в словах. Так система выбирает наиболее подходящий вариант, но этот выбор не всегда совпадает с тем, что напечатано на странице.

Ошибки возникают, когда изображение не даёт достаточно ясных признаков. Размытая буква, пятно, необычный шрифт или похожие начертания могут сделать несколько вариантов одинаково вероятными. Незнакомые слова и имена тоже сложнее распознать, потому что их нельзя надёжно восстановить только по привычным языковым сочетаниям.

После распознавания результат проверяют, исправляют и сохраняют в нужном формате. Проверка нужна, чтобы убрать ошибки, которые программа не смогла обнаружить сама. Если важно оформление, отдельно смотрят, правильно ли переданы таблицы, колонки, изображения и расположение текста на странице.

Этапы обработки документа системой OCR

Таблица показывает, что распознавание — не одно действие, а последовательность этапов. Используйте столбец проверки как короткий список контроля: сначала оцените исходное изображение, затем текст и оформление. Если на любом этапе обнаружена проблема, исправьте её до сохранения итогового файла.

Разбор задач

Задача 1. Получено изображение одной печатной страницы. Почему после сканирования текст ещё нельзя редактировать и какой этап нужен далее? Нужно различить изображение страницы и текстовые данные: внешне на экране они могут выглядеть похоже, но устроены по-разному. Проследим, что именно произошло и чего ещё не хватает.

1. После сканирования у нас есть цифровое изображение, то есть набор данных о внешнем виде страницы.
2. Буквы на нём ещё не представлены как отдельные символы, поэтому текст нельзя обычным способом исправлять или искать.
3. Далее нужно запустить OCR, чтобы программа распознала символы и создала текстовые данные.

Ответ. Сканирование дало изображение, а не редактируемый текст. Следующий этап — распознавание символов программой OCR.

Задача 2. После OCR в слове допущена ошибка из-за нечёткого изображения. Укажите вероятную причину и предложите способ исправления. Здесь нужно связать качество исходных данных с точностью результата: программа не может уверенно выбрать букву, если её контур размыт. При этом исправлять следует не только саму ошибку, но и по возможности её источник.

1. Нечёткость могла скрыть часть начертания буквы, поэтому система выбрала похожий символ или слово.
2. Если возможно, следует получить более чёткий скан или снимок и повторить распознавание.
3. Затем нужно сверить слово с исходной страницей и вручную исправить его в распознанном тексте.

Ответ. Вероятная причина — низкое качество изображения. Улучшите исходный снимок, если это возможно, повторите OCR и обязательно проверьте и исправьте слово.

Задача 3. Нужно перевести в редактируемый документ многостраничный файл с текстом, таблицами и изображениями. Опишите последовательность действий и что проверить перед сохранением. Сложность в том, что важно получить не только слова, но и по возможности сохранить структуру страниц. Поэтому после автоматической обработки потребуется отдельная проверка содержимого и оформления.

1. Получите изображения всех страниц, проверьте их полноту, чёткость и правильную ориентацию.
2. Запустите OCR для всего файла и дождитесь, пока система распознает текст и области с таблицами и изображениями.
3. Сверьте распознанные слова, числа и знаки с исходником; исправьте ошибки и проверьте, не нарушены ли строки и порядок чтения.
4. Осмотрите таблицы и расположение изображений, затем выберите формат, подходящий для дальнейшего редактирования.

Ответ. Нужно последовательно получить и подготовить изображения, выполнить OCR, проверить текст и структуру, а затем сохранить файл. Перед сохранением убедитесь, что страницы не пропущены, ошибки исправлены, а важные таблицы и иллюстрации расположены правильно.

Типичные ошибки

Считать, что сканирование автоматически создаёт редактируемый текст. Эту ошибку допускают, потому что скан на экране выглядит как обычная страница с буквами. Но буквы могут быть частью изображения, а не отдельными символами. Проверьте себя: если нельзя выделить слово и изменить его, вероятно, перед вами ещё не распознанный текст.

Полагать, что OCR всегда работает без ошибок. Автоматический результат кажется готовым, поэтому ему легко довериться полностью. Однако качество изображения, шрифт и помехи могут изменить вид отдельных букв. Сверьте сомнительные места с исходником и проверьте числа, имена и незнакомые слова.

Не проверять результат распознавания. Программа часто выдаёт связный текст, и отдельные подмены символов незаметны при беглом чтении. Похожие начертания или редкие слова могут быть определены неверно. Чтобы проверить себя, сравните текст с изображением построчно, уделяя внимание местам, где смысл кажется странным.

Ожидать полного сохранения исходного оформления. Система может распознать содержание, но неточно передать колонки, таблицы и изображения. Так происходит, потому что сложное расположение элементов труднее восстановить по картинке, чем сами символы. Перед сохранением осмотрите страницы и сравните расположение блоков с оригиналом.

Связь с другими темами

Для понимания OCR полезно различать текстовые данные и графическое изображение. В изображении буквы выглядят как знаки, но компьютер хранит сведения об их пикселях; при распознавании появляются отдельные символы. Также нужно знать, как получают цифровое изображение документа с помощью сканера или камеры.

OCR связан с обработкой изображений: система анализирует вид страницы, чтобы определить символы и их расположение. Распознанный текст можно индексировать, то есть подготовить для быстрого поиска, а затем использовать в электронном документообороте. Это упрощает работу с большими архивами сканов и позволяет находить нужные сведения по словам.

Что запомнить

• OCR преобразует изображение текста в данные, представленные символами.
• Сканирование создаёт изображение документа, а распознавание извлекает из него текст.
• Система анализирует изображение и выбирает наиболее вероятные символы и слова.
• Качество исходного изображения влияет на точность распознавания.
• Результат OCR необходимо проверять и при необходимости исправлять.
• При обработке сложных страниц оформление может сохраниться не полностью.