Система распознавания текстов (text recognition system)

Система распознавания текстов - комплекс программных средств, который извлекает текстовые символы из изображений, сканированных документов, фотографий и PDF-файлов и преобразует их в машиночитаемый цифровой текст. Полученный текст можно редактировать, искать, хранить и анализировать.

Что означает термин

Система распознавания текстов переводит содержание документа из графической формы в символьную. Она может распознавать буквы, цифры и другие знаки, а затем объединять их в слова и предложения.

Результатом бывают текстовый файл, структурированные данные или PDF-документ с текстовым слоем и возможностью поиска. В зависимости от возможностей системы распознаванию подлежат печатные и рукописные материалы, сложные макеты, формулы, специальные символы и исторические документы.

Как устроено

На вход системе передают сканированный документ, фотографию, изображение документа или PDF-файл, содержащий изображение страницы. При обработке система выделяет признаки символов и сопоставляет их с образцами, а современные решения также используют словари, контекстный анализ, вероятностные методы и нейросетевые модели.

После распознавания результат может автоматически обрабатываться, индексироваться и сохраняться в цифровом виде. Качество зависит от исходного изображения: низкое разрешение, сложный макет и рукописный текст повышают вероятность ошибок. При обработке также может утрачиваться часть структуры документа, если система не распознаёт макет и структурированные поля.

Где применяется

Системы распознавания текстов используют для преобразования отсканированных книг и архивных материалов в редактируемый текст с возможностью поиска, извлечения текста из фотографий вывесок и документов, а также распознавания полей форм и счетов с передачей данных в структурированное хранилище.

Распознавание применяют для создания доступных документов. Текстовый слой PDF или другого документа могут интерпретировать программы экранного доступа, тогда как обычное изображение или PDF без текстового слоя не содержит машиночитаемого текста. Для важных документов результат распознавания проверяют, поскольку ошибки могут оставаться незаметными, а доступность не гарантируется автоматически.