Изменения

{{В разработке}} '''Распознавание текста на изображениях''' ( оптическое распознавание символом символов (англ. optical character recognition, OCR<ref>https://en.wikipedia.org/wiki/Optical_character_recognition</ref>)) {{--- }} одно из направлений распознавания образов, задача которого заключается в переводе изображений рукописного, машинописного машинного или печатного текста в текстовые данные, использующиеся для представления символов в компьютере (например, в текстовом редакторе).

Распознавание текста на изображениях является важной задачей машинного обучения, так как это позволяет организовать удобное взаимодействие с данными — : редактирование, анализ, поиск слов или фраз и т.д..

В последние десятилетия, благодаря использованию современных достижений компьютерных технологий, были развиты новые методы обработки изображений и распознавания образов, благодаря чему стало возможным создание таких промышленных систем распознавания печатного текста, как , например, FineReader<ref>https://www.abbyy.com/ru/finereader/</ref>, которые удовлетворяют основным требованиям систем автоматизации документооборота.  Тем не менее, создание каждого нового приложения в данной области по-прежнему остается творческой задачей и требует дополнительных исследований в связи со специфическими требованиями по разрешению, быстродействию, надежности распознавания и объему памяти, которыми характеризуется каждая конкретная задача.

Разработка OCR-систем берет начало из технологий, связанных с телеграфией и созданием считывающих устройств для слепых. В 1914 году Эммануэль Гольдберг разработал устройство, которое считывало символы и преобразовывало их в стандартный телеграфный код. Одновременно Эдмунд Фурнье д'Альбе разработал "Оптофон", ручной сканер, который при перемещении по напечатанной странице вырабатывал тональные сигналы, соответствующие определенным буквам или символам. В конце 1920-х и начале 1930-х годов Эмануэль Гольдберг разработал то, что он назвал "Статистической машиной" для поиска микрофильмов в архивах с помощью оптической системы кодового распознавания. В 1931 году он получил патент на машину, который позже был приобретен компанией IBM. В 1974 году Рэй Курцвейл создал компанию «Kurzweil Computer Products, Inc», и начал работать над развитием первой системы оптического распознавания символов, способной распознать распознавать текст, напечатанный любым шрифтом. Курцвейл считал, что лучшее применение этой технологии — {{---}} создание машины чтения для слепых, которая позволила бы слепым людям иметь компьютер, умеющий читать текст вслух. Данное устройство требовало изобретения сразу двух технологий — {{---}} ПЗС (прибор с зарядовой связью<ref>https://ru.wikipedia.org/wiki/ПЗС</ref>) планшетного сканера и синтезатора, преобразующего текст в речь. Конечный продукт был представлен 13 января 1976 во время пресс-конференции, возглавляемой Курцвейлом и руководителями национальной федерации слепых. В 1978 году компания «Kurzweil Computer Products» начала продажи коммерческой версии компьютерной программы оптического распознавания символов. Компания «LexisNexis» была одним из первых покупателей и приобрела программу для загрузки юридических бумаг и новостных документов в онлайн базы данных. Два года спустя Курцвейл продал свою компанию корпорации «Xerox», которая была заинтересована в дальнейшей коммерциализации систем распознавания текста. «Kurzweil Computer Products» стала дочерней компанией «Xerox», известной как «Scansoft». Первой коммерчески успешной программой, распознающей кириллицу, была программа «AutoR» российской компании «ОКРУС». Программа начала распространяться в 1992 году, работала под управлением операционной системы DOS и обеспечивала приемлемое по скорости и качеству распознавание даже на персональных компьютерах IBM PC/XT с процессором Intel 8088 при тактовой частоте 4,77 МГц. В начале 90-х компания Hewlett-Packard поставляла свои сканеры на российский рынок в комплекте с программой «AutoR». Алгоритм «AutoR» был компактный, быстрый и в полной мере «интеллектуальный», то есть по-настоящему шрифтонезависимый. Этот алгоритм разработали и испытали ещё в конце 60-х два молодых биофизика, выпускники МФТИ — Г. М. Зенкин и А. П. Петров. Свой метод распознавания они опубликовали в журнале «Биофизика» в номере 12, вып. 3 за 1967 год. В настоящее время алгоритм Зенкина-Петрова применяется в нескольких прикладных системах, решающих задачу распознавания графических символов. На основе алгоритма компанией Paragon Software Group в 1996 была создана технология PenReader. Г.М Зенкин продолжил работу над технологией PenReader в компании Paragon Software Group[1]. Технология используется в одноимённом продукте компании[2].

В 1993 году вышла технология распознавания текстов Первой коммерчески успешной программой, распознающей кириллицу, стала программа «AutoR» российской компании ABBYY«ОКРУС». На её основе создан ряд корпоративных решений Алгоритм «AutoR» был компактный, быстрый и программ для массовых пользователейшрифтонезависимый. В частностиЭтот алгоритм разработали и испытали ещё в конце 60-х два молодых биофизика, программа для распознавания текстов ABBYY FineReader, приложения для распознавания текстовой информации с мобильных устройств, система потокового ввода документов выпускники МФТИ {{---}} Г. М. Зенкин и данных ABBYY FlexiCaptureА. П. Петров. Технологии распознавания текстов ABBYY OCR лицензируют международные ИТВ настоящее время алгоритм Зенкина-компанииПетрова применяется в нескольких прикладных системах, такие как Fujitsu, Panasonic, Xerox, Samsung[3], EMC и другиерешающих задачу распознавания графических символов.

В 2000-х годах производительность и компактность OCR-системы стали доступны в режиме позволила представить на рынок онлайн в том числе и в мобильных приложения, например, перевод знаков -сервисы по переводу текста с одного языка на иностранный язык на смартфоне в режиме реального временидругой. Сейчас на смартфонах доступны приложенияСо временем такие программы получили возможность обрабатывать изображения как печатного, которые позволяют извлекать текст с помощью камеры устройстватак и рукописного текста.

Различные коммерческие С развитием технологий производства мобильных устройств и открытые упрощения процесса разработки мобильных приложений, OCR-системы доступны для большинства распространенных алфавитов, включая латинский, кириллический, арабский, иврит, индийскийстали неотъемлемой частью разнообразных программ: от развлекательных до обучающих, деванагарский, тамильский, китайские, японские и корейские иероглифыот мобильных помощников до систем управления.

* считывание Считывание данных с бланков и анкет.* автоматическое Автоматическое распознавание номерного знака.* распознавание Распознавание паспортных данных.* извлечение Извлечение информации из визитных карточек в список контактов.* более быстрое создание текстовых Создание цифровых версий печатных и рукописных документов, например, сканирование книг для проекта "Гутенберг"<ref>https://ru.wikipedia.org/wiki/Проект_«Гутенберг»</ref>.* вспомогательная технология Технология для слепых помощи слепым и слабовидящих пользователей* оцифровывание документов с целью получить возможность удобной работы с текстом - редактирование, поиск слов или строк или анализслабовидящим.

== Типовые проблемы, связанные с системами Наиболее распространенные задачи OCR ==

* Разнообразие форм начертания символовДокумент : документ может содержать несколько шрифтом шрифтов сразу, что усложняет задачу распознавания текста. Некоторые а символы похожи могут быть схожи по начертанию (например, “G” и “6”, “S” и “5”, “U” и “V” и тд.) и в нестандартных шрифтах отличить их еще затруднительней * Искажение изображения, содержащего текст:** Шумы при печати.** Изображение плохого качества Плохое качество изображения (засветзасвеченность, размытость).* вариации Вариации размеров , масштаба и масштаба положения символовна странице.Существенным является и влияние * Влияние исходного масштаба печати, поэтому : система оптического распознавания текста должна быть нечувствительной (устойчивой) по отношению к способу верстки, расстоянию между строками и другим параметрам печати. 

[[Файл:ПримерПроцесс_распознавания_текста.jpg|thumb|380px|Процесс распознавания текста]]

Система распознавания текста предполагает наличие на входе изображения с текстом (в формате данных графического файла). На выходе система должна выдать текст, выделенный из входных данных. Весь процесс распознавания текста состоит из нескольких задач.

Перед началом распознавания текста изображение должно быть очищено от шума и приведено к виду, позволяющему эффективно выделять символы и распознавать их. Обычно у изображения повышают резкость, контрастность, выравнивают его и преобразовывают в в используемый системой формат (например, 8-битное изображение в градациях серого).  === Сегментация === Сегментация подразумевает собой разбиение изображения документа на отдельные области. Сначала система выделяет блоки текста. Это особенно важно при обработке документов с несколькими столбцами или таблиц. [[Файл:БлокСтрокаСлово.png|thumb|250px|Блок, строка, слово]] Далее в каждом блоке выделяются базовые линии, которые позволяют разделить блок на строки, а в дальнейшем на символы. Это позволяет системе обрабатывать каждый символ по отдельности. Сначала производится предварительное разбиение изображения текста на отдельные изображения Распознавание символов и после этого определяется зависимость между разными изображениями с оценкой расстояния между ними. На этапе распознавания результаты разбиения могут уточняться с целью дополнительного разбиения или объединения нескольких полученных изображений. Уточнения могут строиться на основе контекста: если часть символов хорошо распознаны, они могут указать на нераспознанный, либо факт уточнения может основываться на плохом распознании получившегося изображения символа.  === Распознавание символы ===''' ДОБАВИТЬ ОБЩИЕ СЛОВА '''Для распознавания символа существуют 2 основных алгоритма. <br> ==== Распознавание при помощи метрик ====<br>

Метрика по сути является признаком символа, поэтому иногда в контексте данного способа говорят о процессе выявления признаков.

Если признаки двух символов максимально похожи, то разность между их метриками (то есть расстояние между ними) стремится к нулю. Дальнейшая классификация символа происходит по [[Метрический классификатор и метод ближайших соседей|методу ближайшего соседа]] .

Однако , одной метрики недостаточно для распознавания символа, так как некоторые символы очень похожи между собой , (например, “j” и “i”, “Z” и “2”) и это что может привести к ошибке. Чтобы избежать Для избежания этого, есть несколько способовиспользуют следующие техники:* группировка <br><br>1) Группировка символов<br>Например, некоторые $\;$Некоторые символы (“O”, “H”, “I”) обладают суперсимметрией , (полностью совпадают со своими отражениями и , значимые пиксели распределены равномерно по всему изображению) и их можно выделить в отдельный класс. Это значительно сокращает перебор метрик в несколько раз.* контекстное <br><br>2) Контекстное распознавание<br>$\;$В качестве помощи алгоритмам распознавания в систему включают словари. Словари Они предоставляют справки во многих случаях, но быстро отказывают, когда, например, имеют дело с именами собственными, которые не находятся в словаре.

==== Распознавание с применением нейронных сетей ====

Часть элементов структуры выделены как входные: на них поступают сигналы извне, таким образом, они описывают значения пикселя изображения. То есть, если имеется изображение 16х16, входов у сети должно быть 256. Другая часть – выходные: , они формируют результирующие сигналы.  Сигнал, проходящий через нейронную сеть, преобразуется согласно формулам на элементах сети, на выходе формируется ответ. Так как все нейроны поименованы значениями букв, следовательно, среагировавший нейрон и несет ответ распознавания.

СигналНейронная сеть может быть использована в системе распознавания текста в качестве классификатора. При обучении, который проходит через нейронную сеть, преобразуется согласно формулам получает на элементах сетивход изображения, анализирует все позиции черных пикселей и на выходе формируется ответвыравнивает коэффициенты, минимизируя ошибку. Так как все нейроны поименованы значениями букв, следовательноТаким образом, среагировавший нейрон и несет ответ достигается лучший результат распознавания.

Нейронная сеть может служить в системе ====Пример нейронной сети====[[Файл:Пример нейронной сети для распознавания текста в качестве классификаторасимволов. Этот классификатор сначала обучают, настраивая коэффициенты на элементах jpg|thumb|800px|Пример нейронной сети. При обучении сеть получает на вход изображения, анализирует все позиции черных пикселей и выравнивает коэффициенты, минимизируя ошибку. Таким образом, достигается лучший результат для распознавания. символов]]

'''====Недостатки нейронных сетей''' ====Нейронные сети с успехом могут применяться в системах распознавания текста, однако обладают существенными недостатками, препятствующими их широкому применению:* Затраты памяти: необходимо построить достаточно большую сеть элементов, что приводит к большим затратам памяти. * Затраты ресурсов системы: в процессе распознавания используются большие объемы ресурсов системы, так как функции на элементах сети работают с числами с плавающей точкой. * Необходимость в обучении: для достижения более точного результата нейронную сеть необходимо обучать, однако и это не гарантирует идеальный результат.* Сложность построения: так как работа нейронной сети во многом зависит от ее конфигурации, требуется больше усилий для создания наиболее эффективной архитектуры.

Нейронные сети с успехом могут применяться в системах == Алгоритмы распознавания текста, но существует большое число недостатков, которые препятствуют их широкому применению. ===== E2E-MLT ==={{Определение* Затраты памяти |definition='''E2E- для построения сети, обеспечивающей распознавание каждого символа текста, необходимо построить достаточно большую сеть элементов, что приводит к большим затратам памятиMLT'''<ref>https://arxiv.org/abs/1801. * Затраты ресурсов системы 09919</ref> {{--- помимо памяти}} метод, еще сильнее тратятся ресурсы системы в процессе позволяющий решать задачи локализации и распознаваниятекста на изображениях, так как функции содержащих фрагменты на элементах разных языках. Основан на FCN-сети работают с числами с плавающей точкойобщими слоями для обеих задач. * Необходимость }}Реализация размещена в обучение Github репозитории<ref>https://github.com/MichalBusta/E2E- для достижения более точного результата нейронную сеть необходимо обучать на все случаи, однако и это не гарантирует 100% результатMLT</ref> одного из авторов проекта.* Зависимость от конфигураций сети <gallery mode="packed-так как работа нейронной сети по распознаванию текста во многом зависит от конфигурации сети и функций, заданных в элементах, требуется больше усилий для построения эффективно работающей сетиhover" widths=500px heights=250px>Image:e2emlt_work.jpg|250px|500px|''Результат работы E2E-MLT''</gallery>