OCR, или Машинопись без машинистки

Компьютер научился «видеть» еще до появления веб-камер. Речь опять идет о сканере – устройстве преобразования графической информации в машинный вид. В результате сканирования изображения (как уже упоминалось, это процесс проведения лазерным лучом по поверхности изображения, когда оно точка за точкой переводится в цифровой вид), в памяти компьютера создается так называемая битовая карта – совокупность точек, более или менее точно соответствующая исходному изображению. Такую электронную картинку можно вставлять в документы, редактировать, менять и распечатывать. Распечатка будет более или менее измененной ксерокопией исходного рисунка. Если в качестве оригинала использован текст, то при распечатке отсканированной страницы получится просто ее ксерокопия. Так, кстати, и работает большинство офисных многофункциональных аппаратов. При небольшом объеме ксерокопирования в офисе компьютер со сканером и принтером вполне заменят ксерокс.

Самые проницательные офисные работники, изучив возможности сканера, сразу подумали, можно ли таким образом постранично вводить тексты в компьютер без набора их вручную. К сожалению, этого сделать нельзя. Сканер действительно передает в компьютер изображение страницы текста, но это битовая карта – картинка, работать с которой как с текстом, то есть с набором букв и символов, невозможно. Кстати, объем файла битовой карты раз в 30–40, а то и в 100 раз превышает размер адекватного по содержанию текстового файла. Получить текст из картинки можно, для этого существуют программы OCR (Optical Character Recognition – оптическое распознавание символов).

Выбор без мук

Долгое время программы распознавания работали не слишком аккуратно, допускалось большое количество ошибок, качество распознавания сильно зависело от качества сканирования. В результате, помучившись с настройками, проще было заново набрать текст вручную. Однако пытливый ум компьютерщиков, опираясь на серьезные научные изыскания, смог предложить практичный программный инструмент, основанный на принципе фонтанного преобразования (от англ. font – шрифт). В отличие от большинства других компьютерных приложений, программы распознавания не так разнообразны, в нашей стране известно всего два брэнда – Finereader от фирмы ABBYY, и CuneiForm – от Cognitive Technologies. Обе фирмы – российские, и программы работают с русским языком.

Конкурируя между собой, оба приложения год от года совершенствуются. FineReader (дословный перевод с английского – прекрасный чтец) больше известна как автономный продукт, который продается (а в наших условиях чаще просто заимствуется) отдельно, в то время как CuneiForm часто поставляется в комплекте со сканерами. Поскольку принцип работы обеих программ идентичен, далее не будет уточняться, о какой именно программе идет речь.

Учимся работать

Как бы совершенна ни была программа, это не человек, и в работе с ней должны быть соблюдены некоторые условности. Системы распознавания обычно имеют автоматический режим «сканируй и распознавай» (англ. scan&read). Однако для качественной работы лучше настроить программу на конкретный вид текста и качество бумаги вручную, особенно если предстоит работать с большим объемом однотипной исходной информации. Рассмотрим основные этапы работы программы.

Сканирование текста. Важно, чтобы изображение было отсканировано с хорошим разрешением (300 dpi) в режиме черно-белой графики. Как правило, эти установки срабатывают по умолчанию, если сканирование ведется из самой программы распознавания; если нет, то их нужно установить вручную.

Текст должен сканироваться построчно, то есть страницу нужно положить на стекло сканера без перекоса. Это важно, так как распознавание ведется также построчно, а если изображение перекошено, то некоторые символы из одной строки программа может распознать как принадлежащие другой (особенно если встречаются буквы с надстрочными или подстрочными знаками, например «й» или «ё»).

Сегментирование. Большинство текстов имеет разнообразные элементы оформления – картинки, таблицы и т. д. либо разбито на колонки или сегменты. Для удобства их обработки в программе распознавания существует операция сегментирования. Она разбивает всю страницу на блоки, нумерует их, и распознанный текст впоследствии располагается именно в порядке расположения этих сегментов. Сегменты с картинками после сегментации можно исключить, если они не нужны, что намного повысит эффективность работы.

Распознавание. Основная операция – распознавание – происходит быстро и наглядно: в отдельном окошке программа прокручивает отсканированную картинку, отмечая так называемые неуверенно опознанные символы. Обычно процент распознавания довольно высок – до 99 %, но в зависимости от конкретного текста и условий он может быть меньше.

Программе необходимо указать, какой язык следует распознать. В современных деловых текстах могут встречаться иностранные слова, обычно английские, поэтому оптимальным будет выбор русского и английского языков одновременно.

По окончании распознавания можно вручную подправить эти места, а можно для ускорения процесса принять текст, каким он получился, чтобы впоследствии его обработала программа проверки орфографии.

Проверка и сохранение. В программах распознавания есть собственная система проверки орфографии – Spellchecker. Этот этап можно опустить и просто сохранить текст в формате, например, Word, а затем открыть его, отредактировать и исправить орфографию.

Современные версии программ распознавания позволяют сохранять результат не только в формате, пригодном для текстового редактора (DOC или RTF), но и в других, в том числе в PDF (формат для просмотра популярной программой Acrobat) и HTML (формат, в котором оформляются интернет-страницы).

Опять тонкости

Получив возможность вводить простую текстовую информацию в компьютер с помощью сканера, хочешь большего, например вводить готовые таблицы со всей содержащейся в них информацией. Первые версии программ распознавания не давали такой возможности, а современные уже справляются с этим. FineReader сам этого не делает, но на это способна другая программа от того же производителя – FormReader. CuneiForm распознает таблицы в стандартной поставке.

Трудности при распознавании вызывает текст, который на исходной странице напечатан поверх фона. Современные версии программ пытаются справиться с этой проблемой, но эту особенность нужно учитывать и сканировать, например, с повышенной яркостью и контрастностью.

В новых версиях появилась возможность экспортировать распознанный текст не только в Word, но и в программу Excel – электронные таблицы. Традиционно для экспорта текста используется универсальный формат RTF, из которого впоследствии можно получить удобный формат уже в программах обработки.

Данный текст является ознакомительным фрагментом.