11.3Распознавание документов

Этап оптического распознавания документа состоит в преобразовании электронного изображения (фактически набора цветных или черно-белых точек) в текстовый документ. Ранее для описания этого процесса обычно использовался термин OCR (Optical Character Recognition). При этом происходит «сравнение» элемента изображения с эталонными вариантами начертания символов, после чего выбирается наиболее подходящий символ. Этот подход требует использования специального комплекта шрифтов, но дает на нем наилучшие результаты. Современные алгоритмы распознавания не привязаны к конкретному начертанию символов: программа, как и человек, способна узнавать буквы при любых начертаниях (а иногда и при значительных искажениях).

В ходе распознавания сначала в изображении выделяются крупные элементы текста: колонки, абзацы, отдельные текстовые блоки (например, подрисуночные подписи), ячейки таблиц. Этот этап называют сегментацией, он может выполняться автоматически или вручную. После этого выполняется автоматический этап распознавания: блоки разбиваются на строки, строки – на отдельные символы, каждый из которых распознается независимо и помещается в итоговый текстовый документ.

Все операции, необходимые в ходе преобразования бумажного документа в электронную форму, могут быть выполнены с помощью программы ABBYY FineReader. Эта программа способна выполнять сканирование и распознавание текстов на разных языках, в том числе и смешанных двуязычных текстов. С ее помощью можно выполнять пакетную обработку многостраничных документов, а также настраивать режим распознавания для улучшения соответствия электронного документа бумажному оригиналу при плохом качестве последнего или использовании в нем шрифтов, далеких от стандартных.

Для удобства обработки многостраничных документов в программе используется понятие пакета, позволяющего обрабатывать несколько многостраничных проектов по очереди. Все файлы каждого пакета для удобства сохраняются в свою папку на жестком диске.

С точки зрения программы, процесс обработки документа состоит из пяти этапов:

• Сканирование документа;

• Сегментация документа;

• Распознавание документа;

• Редактирование и проверка результата;

• Сохранение документа.

В программе FineReader сканирование может производиться как через драйвер TWAIN, так и в обход его. Первый способ используют, когда требуется точная настройка параметров сканирования, а также когда разные страницы многостраничного документа сильно различаются по качеству. Второй вариант обеспечивает максимальную скорость и удобство сканирования, в особенности книг.

Процесс сканирования осуществляется автоматически и требует от пользователя только вспомогательных операций, таких, как смена сканируемой страницы. Возможность вмешательства в работу программы заблокирована размещением на экране специального диалогового окна, уведомляющего о том, что идет сканирование, и позволяющего прервать это процесс. Добавлять страницы в пакет можно не только путем сканирования, но и путем открытия файлов с изображениями, имеющихся на компьютере (например, отсканированных или отснятых заранее).

Сегментация представляет собой процесс разбиения страницы на блоки текста. Обычная книжная страница представляет собой единый блок текста, который распознается в естественном порядке – по строкам, расположенным на странице сверху вниз и идущим от левого края до правого. Если страница содержит колонки, иллюстрации, врезки, подрисуночные подписи или таблицы, то порядок распознавания требует коррекции.

В таком случае содержимое страницы разбивается на блоки. Внутри каждого блока сохраняется естественный порядок распознавания. Блоки нумеруются, исходя из порядка включения их в документ. Программа FineReader способна выполнить сегментацию (определить границы блоков) автоматически даже для весьма сложных страниц. При этом учитываются поля документа, просветы между колонками, рамки.

Если структура страницы очень сложна или содержит явные дефекты, которых не всегда удается избежать при сканировании, удобнее использовать ручную сегментацию или ручное редактирование результатов автоматической сегментации.

Разные типы блоков обрабатываются программой по-разному. Программа FineReader поддерживает следующие типы блоков:

• Зона распознавания – на этапе распознавания блок анализируется и разбивается на другие блоки автоматически;

• Текст – на этапе распознавания преобразуется в текст;

• Таблица – представляет собой набор ячеек, каждая из которых преобразуется в текст по отдельности; при сохранении документа форматируется также в виде таблицы, если выходной формат это поддерживает;

• Картинка – включается в документ без изменений как графическая иллюстрация, если формат сохранения преобразованного документа допускает вставные объекты.

• Штрих-код – распознается особым алгоритмом.

Процесс распознавания текста после сегментации полностью автоматизирован. В ходе процесса отображается диалоговое окно, позволяющее оценить и прервать процесс. Кроме того, в этом окне отображаются сообщения, указывающие на наличие проблем при распознавании. Проблемы обычно вызываются неверными настройками или плохим качеством распознаваемого изображения. Если же дело в каких-то шрифтовых особенностях распознаваемого документа, применяют распознавание с обучением.

Распознавание с обучением состоит в формировании эталона, который используется в ходе распознавания в дальнейшем. Эталон настраивается так, чтобы соответствовать определенному документу или группе однотипных документов. Режим распознавания с обучением включается при настройке параметров работы программы (диалоговое окно настроек программы, вкладка, посвященная распознаванию).

Когда в ходе распознавания с обучением программа FineReader обнаруживает символ, который не может интерпретировать однозначно, на экран выдается диалоговое окно «Ручное обучение эталона». Программа указывает элемент изображения, вызвавший сомнения, и показывает, как именно он будет интерпретирован. Если допущена ошибка, можно указать нужный символ или уточнить область распознавания. Необходимые сведения сохраняются и используются при дальнейшем анализе изображения. Когда число ошибок станет незначительным, можно закрыть окно и продолжить распознавание в обычном режиме.

Предпоследний этап работы позволяют отредактировать полученный текст с помощью средств, напоминающих простой текстовый редактор. При желании можно провести проверку орфографии с учетом трудностей распознавания (сомнительных символов, в точности распознавания которых программа не уверена). FineReader располагает своими достаточно емкими орфографическими словарями. Однако в случае, если подавляющее большинство неуверенно распознанных символов были распознаны правильно, проверка средствами Microsoft Word может оказаться удобнее.

Мастер сохранения результатов позволяет сохранить распознанный текст или передать его в другую программу (например, в Microsoft Word) для последующей обработки. Помимо сохранения результатов в файл соответствующего формата имеется возможность передать распознанный текст в нужную программу, автоматически запустив ее и создав в ней чистый документ. Такой прием позволяет сразу же перейти к редактированию документа в привычной программе (например, Microsoft Word).

В настройках программы можно достаточно тонко сконфигурировать сохранение распознанного текста, указать, какие из элементов форматирования нужны, а какие следует игнорировать.