Сканирование  и распознавание  образов

     Какой бы формат мы не выбирали в качестве предпочтительного при публикации электронных документов, если нужно  получить электронную копию документа, существующего только на бумажном носителе (копию книги, журнала, газеты и т.д.), то прежде всего нам нужно отсканировать данный документ. Для этого нужны (кроме компьютера) сканер и программа сканирования.

     Так как сканируемые документы почти  всегда являются многостраничными, необходимо чтобы программа сканирования поддерживала режим пакетного сканирования изображений (когда программа сама пытается отсканировать  указанное количество страниц документа), а у сканера имелся автоподатчик страниц (ADF- устройство,  «automatic document feeder»).

     Автоподатчик страниц у сканера существенно облегчает сканирование документа,  ведь при его наличии сканер может сам сканировать нужное количество страниц– нужно просто в него вставить пачку страниц, требующих сканирования, и сказать программе сканирования сканировать страницы с автоподатчика, и дальше сканирование будет происходить без участия человека.

     Однако  сканеры с автоподатчиками страниц гораздо более дорогие, чем обычные сканеры, и вследствие этого менее распространены. Однако и на обычном сканере без автоподатчика можно производить пакетное сканирование страниц документа – лишь бы используемое программное обеспечение позволяла выполнять сканирование такого типа (роль ADF-устройства в этом случае придется играть сканировщику).

     Кроме таких особенностей, как наличие  или отсутствие автоподатчика, у сканеров различают следующие основные характеристики:

• Интерфейс (способ подключения к компьютеру) (в порядке возрастания производительности): LPT, USB, FireWare, SCSI;
• Максимальное разрешение отсканированного изображения и глубина цветов;
• Среднее время сканирования одной страницы (очень часто зависит от предыдущих  характеристик). 

Однако, если рассматривать сканер как средство «оцифровки» документов, все эти параметры не играют столь уж большой роли: даже при помощи самого «слабого» (т.е. дешевого) сканера можно изготовить практически такие же по качеству электронные копии документа, как и на более мощном (а значит и дорогом) – единственным отличием будет только время, затраченное на подготовку документа.

Пакет сканирования и распознавания  текста FineReader.

Итак, как уже  отмечалось, неважно какой сканер у нас имеется – главное  чтобы он был, так как основная тяжесть работы ляжет на плечи  программы сканирования. По этому желательно, чтобы программа сканирования умела:

1. производить пакетное сканирование изображений
2. автоматически производить первичную обработку изображений
3. производить распознавание отсканированного текста электронного документа с последующим сохранением его

     В качестве такой программы рассмотрим программу сканирования и распознавания  текста FineReader компании ABBYY Software (демо-версию программы можно взять с сайта компании: http://www.abbyy.ru), которая является одной из лидирующих на рынке программных продуктов для сканирования и распознавания документов.

Рассмотрим основные шаги при сканировании и распознавании  документа.

Создание  нового пакета изображений

     Перед сканированием нового документа  для него рекомендуется создать  так называемый «пакет», в котором  будут храниться как отсканированные  изображения документа, так и  все настройки относящиеся к  этому документу. Для этого необходимо после запуска программы FineReader выбрать в меню команду [Файл→Новый пакет…] и в появившемся окне указать в каком каталоге будет располагаться новый пакет.

Настройка параметров сканирования

     Теперь  необходимо настроить параметры  сканирования изображений. Для этого  необходимо выполнить команду меню [Сервис→Опции…] и в появившемся  окне выбрать закладку [Сканирование/открытие]:

     Если  в поле [TWAIN-драйвер сканера] еще не указан сканер, с которым будет работать программа, то его нужно указать при помощи кнопки [Выбрать драйвер]. После этого нужно указать [Использовать интерфейс FineReader], чтобы была возможность включения режима пакетного сканирования.

В секции [Обработка  изображений] доступны следующие опции  сканирования:

• Инвертировать – преобразование изображение в свой негатив;
• Очистить от мусора – изображение будет «почищено» от дефектов сканирования (рекомендуется включить);
• Делить разворот книги – рекомендуется при сканировании книг, брошюр, журналов, т.к. при сканировании книг обычно сканируется «разворот книги» (сразу две страницы раскрытой книги), и при этом логичнее разделить такие изображения на два (левую и правую страницы);
• Уменьшать разрешение цветного/серого изображения до 100 dpi – если сканер настроен сканировать изображения как цветные/серые, то для уменьшения их объема и экономии места на жестком диске можно воспользоваться данной опцией;
• Приводить цветное/серое изображение к черно-белому – если текст простой и не сдержит значимых картинок (например репродукций с картин художников), то для для уменьшения объема изображений и экономии места на жестком диске можно воспользоваться данной опцией.  

      Следующую опцию стоит указывать если предполагается не только сканирование страниц, но и распознавание текста (например, если наша цель подготовить электронный документ не в формате DjVU, а, например, в RTF или PDF)

• Определить ориентацию страницы – во время распознавания программой будет произведена попытка определить, как нужно развернуть изображение текста, чтобы он принял удобочитаемый (а значит и удобо-распознаваемый) вид.

   Теперь  нужно настроить сам сканер, для  этого нужно нажать на кнопку [Настройки  сканера] в секции [Сканер] текущего окна, и в появившемся диалоговом окне указать следующие параметры:

• Ориентация изображения – книжная или альбомная;
• Единицы измерения – сантиметры или дюймы (рекомендуется указать сантиметры);
• Размер бумаги – размер сканируемой области документа. Можно указать либо стандартный размер (например, A4), либо определить свой собственный;
• Отступы, размер – манипулируя данными параметрами можно избавиться от ненужных полей в отсканированном изображении документа, что в свою очередь экономит пространство на жестком диске;
• Подбор яркости – позволяет указать яркость сканируемых страниц:

• Автоматический – яркость подбирает FineReader (использовать при неоднородном распределении яркости на странице – например при больших перегибах страниц возле корешка);
• Средствами сканера – яркость подбирает сканер (использовать при неоднородном распределении яркости на странице – например при больших перегибах страниц возле корешка);
• Ручной – яркость указывает пользователь (убыстряет процесс сканирования, использовать при однородном распределении яркости на странице).

• Режим сканирования – указывает, как будут сканироваться изображения страниц документов – как цветные, серые или черно-белые;
• Разрешение – с каким разрешением сканировать изображения страниц (обычно хватает 300 dpi)
• Загружать страницы из автоподатчика бумаги (ADF) – данная опция доступна если есть возможность воспользоваться автоподатчиком бумаги у сканера;
• Пауза между страницами – позволяет указать паузу в секундах (обычно около 5 секунд), которую будет делать программа, прежде чем автоматически начать сканирование следующей страницы в режиме «Сканировать несколько страниц» (см. ниже).
• Останавливаться между страницами – если нужно производить контроль качества отсканированных изображений, то следует выбрать этот параметр (тогда по окончанию сканирования страницы будет появляться диалог с вопросом о продолжении сканирования).

     Таким образом, мы произвели настройку  параметров сканирования и можно  приступать непосредственно к сканированию документа.

Сканирование  документа 

     Для начала необходимо проверить, насколько  соответствуют наши настройки сканирования документу, который мы собираемся сканировать. Для этого можно сделать пробное  сканирование при помощи команды  меню [Файл→Сканировать изображение]:

 

и спустя некоторое время в нашем пакете появится со сканера изображение  страницы документа. Произведя оценку качества изображения и если оно  удовлетворяет нашим требованиям  можно запустить пакетное сканирование при помощи команды меню [Файл→Сканировать несколько страниц], после чего сканер либо начнет сканировать страницы документа либо с автоподатчика (если есть), либо со стекла делая паузы между страницами (см. выше описание параметра «Пауза между страницами»). Если же качество по каким-нибудь причинам не удовлетворяет, необходимо удалить пробное изображение из пакета, зайти в настройки сканера и поправить параметры отвечающие за обнаруженные дефекты изображения, после чего опять произвести пробное сканирование документа. 

     После того, как документ будет полностью  отсканирован, мы получим набор изображений  страниц документа в формате TIF, из которых можно после некоторой  предварительной обработки построить  документ в формате DjVU.

Распознавание документа.

     Если  мы решили создавать электронный  документ в формате, подразумевающем  хранение текста как набора букв и  цифр (т.е. не в формате DjVU), то после сканирования необходимо произвести распознавание текста, хранящегося в изображениях документа.

     Настройку параметров распознавания текста можно  произвести при помощи команды меню [Сервис→Опции…] (закладка [Распознавание]):

где указать  основные характеристики распознаваемого  текста. 

Запуска процесса распознавания можно воспользоваться  командой меню [Процесс→Распознать] (распознается только текущее изображение) или [Процесс→Распознать все] (распознаются все нераспознанные изображения пакета):

после чего программа проанализирует изображения  пакета, разметит в каждом изображении  блоки различных типов (текст, таблица, изображение) и произведет распознавание  документа в соответствии с размеченными блоками.

Рабочая область  FineReader приобретет следующий вид:

     На  рисунке видно, какие блоки на странице разметил FineReader (верхняя левая и нижняя часть рабочей области программы) и как он эти блоки распознал (правая верхняя часть рабочей области программы).

     Если  мы не согласны с расстановкой, типами или порядком следования блоков на странице, мы можем отредактировать  их, задать другой тип или порядковый номер (при помощи контекстного меню, выпадающем при правом щелчке мыши на блоке):

после чего необходимо произвести распознавание повторно.

Исправление ошибок  распознавания

     При всем качестве распознавания, FineReader не дает 100% точного распознавания документа (участки, в точности распознавания которых программа не уверена, выделяются  цветом в окне, где показывается результат распознавания – см. рис. выше). Поэтому после сканирования и распознавания документа необходимо производить проверку документа. Проверку и исправление ошибок распознавания можно производить как непосредственно в FineReader-е перед сохранением электронного документа, так и после его сохранения в редакторе, соответствующем формату хранения электронного документа (например, при помощи Word для форматов RTF и DOC).

В FineReader-е  «работа над ошибками» начинается с команды меню [Сервис→Проверка]:

после чего в интерактивном режиме обработать неуверенно распознанные участки документа:

Сохранение  документа

     После того, как мы исправили ошибки распознавания  в документе необходимо его сохранить.

     Для этого сначала нужно определить при помощи команды меню  [Сервис→Опции…] (закладка [Форматирование]) как мы желаем сохранить текст – либо сохранить  полное оформление документа,  либо сохранить только начертание и размер шрифта, либо не сохранять оформление документа, а так же сохранять  или нет картинки:

     После того, как мы определились с этими  параметрами, можно либо сохранить  документ (или его часть) в файле  нужного формата при помощи команды  меню [Файл→сохранить текст как]: