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.