VietOCR, hiện có trong Java and .NET executable, là một GUI frontend cho Tesseract
OCR engine. Cả hai phiên bản đều có giao diện tương tự và có cùng khả năng nhận
diện ký tự từ các loại dạng ảnh phổ thông. Chương trình còn có khả năng vận hành
như một ứng dụng console, thi hành lệnh từ command line.
Batch processing cũng được hỗ trợ. Chương trình theo dõi một watch folder cho các
tập tin ảnh mới, tự động xử lý chúng qua OCR engine, và xuất kết quả nhận dạng ra
một output folder.
Language data cho Việt ngữ và Anh ngữ đã được gói kèm với chương trình. Data cho
các ngôn ngữ khác có thể hạ tải từ
Tesseract website và cần đặt vào
tessdata
folder. Lưu ý rằng language data files cho Tesseract 2.0x và 3.0 có định dạng khác
nhau và không hoán đổi cho nhau được, vì vậy hãy hạ tải files tương thích với phiên
bản Tesseract bạn có (
2.0x,
3.0).
Cài đặt
Phiên bản Java đòi hỏi
Java Runtime Environment 6.0 hoặc mới hơn (
hướng dẫn cài đặt).
Cho Linux,
Tesseract và language data packages nằm trong Graphics (universe) repository. Chúng
có thể được cài qua Synaptic hoặc từ lệnh sau:
sudo apt-get install tesseract-ocr tesseract-ocr-vie
Files sẽ được đặt trong
/usr/bin và
/usr/share/tesseract-ocr/tessdata,
trong thứ tự đó.
Mặt khác, nếu Tesseract được xây dựng và cài từ
mã nguồn, chúng sẽ được đặt trong
/usr/local/bin và
/usr/local/share/tessdata.
Bạn cần chỉ định directory của Tesseract executable từ Settings menu của VietOCR.
VietOCR được thiết kế để nhận biết các tập tin language data ở những địa điểm đó;
tuy nhiên, trong trường hợp
tessdata được để vào trong một directory khác
với những directory đã đề cập, bạn sẽ cần đặt biến môi trường
TESSDATA_PREFIX
environment variable, ví dụ:
export TESSDATA_PREFIX=/usr/local/share/
(hoặc tương đương) trong
.profile của bạn hoặc
setenv để đặt biến
môi trường. Hãy chú ý rằng đường dẫn tới directory phải kết với ký tự /.
Hỗ trợ tùy chọn cho thư viện
Tess4J được cung cấp. Xin lưu ý rằng bất cứ biệt lệ exception từ bên trong Tess4J sẽ làm ứng dụng crash.
Phiên bản .NET cần
Microsoft .NET Framework 2.0 Redistributable. Nếu bạn gặp FileLoadException
với message "
Could not load file or assembly 'tessnet2, Version=2.0.4.0,
Culture=neutral, PublicKeyToken=null' or one of its dependencies. This application
has failed to start because the application configuration is incorrect. Reinstalling
the application may fix this problem. (Exception from HRESULT: 0x800736B1)"
trong khi đang chạy VietOCR.NET, xin hãy cài đặt Microsoft Visual C++ 2008 SP1 Runtime
(
x86,
x64).
|
|
| Hình 1: VietOCR.NET WinForm GUI
|
Hình 2: VietOCR Swing GUI
|
Hỗ trợ quét văn bản trên Windows được cung cấp qua Windows
Image
Acquisition Library v2.0, thư viện này đòi hỏi Windows XP
Service Pack 1 (SP1)
hoặc mới hơn; thư viện này trở thành thành phần tiêu chuẩn
của Windows Vista và 7. Để cài đặt WIA Library trên Windows XP,
copy file
wiaaut.dll vào
System32 directory (thường đặt ở
C:\Windows\System32)
và chạy lệnh từ command line:
regsvr32 C:\Windows\System32\wiaaut.dll
Trên Linux, scanning đòi hỏi cài đặt các gói SANE packages:
sudo apt-get install libsane sane sane-utils libsane-extras xsane
Hỗ trợ cho PDF được khả thi qua
GPL Ghostscript. Sau khi cài đặt thư viện, hãy bảo đảm shared library object
(
gsdll32.dll hoặc
libgs.so) nằm trong search path bằng cách chỉnh
biến môi trường phù hợp. Trên Windows, tiếp đuôi (append) đoạn sau vào giá trị của
biến
Path (truy cập được qua Control Panel > System > Advanced >
Environment Variables) cho GS phiên bản 9.10:
;C:\Program Files\gs\gs9.10\bin
hoặc cho Windows 64-bit:
;C:\Program Files (x86)\gs\gs9.10\bin
Lưu ý: Hãy dùng GS bản 8.71 64-bit cho VietOCR.NET 2.0.x 64-bit
bởi bắt đầu từ GS 9.0, file DLL cho 64-bit được đổi tên thành
gsdll64.dll,
một filename VietOCR.NET không hỗ trợ.
Để cài đặt GS trên Linux:
sudo apt-get install ghostscript
Để chỉnh đường dẫn:
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib
nơi trong
/usr/local/lib,
libgs.so link tới
libgs.so.9.10
được đặt. Tuy nhiên, bước này có thể không cần bởi path có thể đã được chỉnh trong
lúc cài đặt GS.
Tính năng Duyệt chính tả (spellcheck) có được qua Hunspell, mà các
dictionary files trực thuộc (
.aff,
.dic) nên được đặt
trong
dict folder của VietOCR.
user.dic là một file được mã hóa
trong UTF-8 chứa một danh sách các từ riêng, một từ mỗi hàng.
Trên Linux, Hunspell và tự điển của nó có thể được cài đặt bởi Synaptic hoặc
apt,
như sau:
sudo apt-get install hunspell hunspell-en-us
Tác vụ OCR
Bộ Vietnamese language data được tạo cho các font Times New Roman, Arial, Verdana,
và Courier New. Do đó, việc nhận dạng sẽ có kết quả cao hơn cho các ảnh có font
glyphs tương tự. OCR ảnh có font glyph trông khác các font hỗ trợ thông thường sẽ
đòi hỏi tập huấn Tesseract để tạo một bộ language data khác cụ thể cho những mặt
chữ đó.
Cập nhật: Thêm
language
data đã được tạo cho các kiểu font cũ Việt Nam, VNI và TCVN3 (ABC). Chúng
có thể được tải xuống qua submenu
Tải dữ liệu ngôn ngữ.
Hình ảnh muốn được OCR cần quét ở độ phân giải từ 200 DPI (dot per inch) trở lên
tới 400 trong trắng đen hoặc grayscale. Quét ảnh với độ phân giải cao hơn nữa chưa
hẳn sẽ tăng sự chính xác của kết quả nhận dạng. Hiện tại, mức chính xác có thể lên
trên 97% cho Tiếng Việt (
ảnh
chuẩn), và phiên bản tới của Tesseract có thể nâng cao độ nhận dạng hơn
nữa. Dầu vậy, độ chính xác thực thụ vẫn còn tùy thuộc rất lớn vào phẩm chất của
ảnh quét.
Thông số tiêu biểu cho quét ảnh là 300 DPI và 1 bpp (bit per pixel) trắng đen hoặc
8 bpp grayscale dạng không nén (uncompressed) TIFF hay PNG. PNG nhỏ gọn hơn những
dạng ảnh khác mà vẫn giữ được chất lượng cao nhờ sử dụng thuật toán lossless data
compression; TIFF có lợi điểm ở khả năng chứa nhiều trang ảnh (multi-page) trong
một file.
Chế độ
Screenshot Mode cung cấp độ nhận dạng tốt hơn cho những hình ảnh
có độ phân giải thấp, chẳng hạn như ảnh in màn hình, bằng cách rescaling chúng tới
300 DPI.
Mẹo vặt: OCR trên các vùng khoanh chọn được định bởi rê chuột thường cho ra kết quả chính xác hơn.
Ngoài thuật toán hậu xử lý xây trong chương trình, bạn có thể thêm cách thức thay
thế từ ngữ đặc riêng của bạn qua một tập tin text có tên
x.DangAmbigs.txt,
mà x là ISO639-3 language code. File này, được mã hóa trong UTF-8, chứa các cặp
giáTrịCũ=giáTrịMới phân cách bởi dấu bằng.
Vài công cụ gắn liền được cung cấp để nối nhiều file ảnh hoặc PDF vào một file đơn
để thuận tiện cho các tác vụ OCR, hoặc tách một file PDF thành nhiều file nhỏ hơn
nếu nó quá lớn, điều mà có thể gây ra biệt lệ cạn bộ nhớ. Chép ảnh (paste image)
từ clipboard đã được hỗ trợ.
Hậu xử lý
Các lỗi nhận diện ký tự Việt có thể phân làm ba loại. Nhiều lỗi thường bị bởi do
lẫn lộn chữ hoa và chữ thường (upper and lower) — ví dụ: hOa, nhắC — có thể dễ dàng
sửa chữa sử dụng các chương trình Unicode text editor. Lỗi do sự xử lý không chính
xác, gây ra các lỗi như thiếu sót dấu, lầm với ký tự có hình dáng tương tự, v.v…
— huu – hưu, mang – marg, h0a – hoa, la – 1a, uhìu - nhìn. Đa số các lỗi này cũng
có thể dễ dàng sửa chữa dùng các phần mềm duyệt chính tả. Hàm Hậu xử lý của VietOCR
có thể sửa được nhiều lỗi nêu trên.
Loại lỗi cuối cùng khó phát hiện hơn bởi chúng liên quan đến ngữ nghĩa, semantics,
có nghĩa là những chữ đánh vần đúng (tức là mục từ có trong tự điển), nhưng sai
nghĩa trong ngữ cảnh (context) — ví dụ: tinh – tình, vân – vấn. Những lỗi này cần
phải có người đọc duyệt lại và sửa theo bản gốc trong hình.
Quy trình biên tập sau đây với sử dụng các chức năng được tích hợp sẵn được đề ý:
- Gom dòng. Các hàng chữ (line) cần được gom lại theo từng đoạn (paragraph), bởi khi
được OCR, mỗi hàng chữ trở thành đoạn 1-hàng tách riêng. Dùng tính năng Nối dòng
trong menu Định dạng. Lưu ý rằng tác vụ này có thể không cần cho thi thơ.
- Cũng trong menu Định dạng, bấm Đổi ngữ cách và chọn Chữ hoa
đầu câu để sửa gần như tất cả các lỗi chữ hoa-thường. Hãy dò tìm và sửa các
lỗi hoa-thường còn sót.
- Sửa lỗi chính tả bằng công cụ Dò chính tả.
Qua các bước trên, hầu hết các lỗi thông thường sẽ được loại trừ. Những lỗi ngữ
nghĩa semantic còn sót lại ít, nhưng đòi hỏi người duyệt đọc dò lại toàn bộ văn
bản để được giống y như văn bản gốc quét. Nếu cần biên chỉnh
nặng hơn, bạn có thể dùng các chương trình word processor hay text editor có đầy
đủ tính năng — Word, Writer, Notepad,
VietPad,
v.v... — cho công đoạn đó.
Giới hạn
Tesseract 2.0x không hỗ trợ dàn trang, cho nên chỉ có thể nhận diện văn bản có một
cột text. Tesseract 3.0x đã tích hợp tính phân tích dàn trang, hỗ trợ nhận dạng các
văn bản có nhiều cột.
Comments[ 0 ]
Đăng nhận xét