Оптичко препознавање знакова (Optical Character Recognition, OCR)¶
Како рачунар претвара бројева, слова и знакове интерпункције са дигиталних докумената у симболе које могу да читају други програми?
Ниво амбициозности пројекта: **
Циљ пројекта¶
Циљ пројекта је да се демонстрира једна једноставна техника оптичког препознавања знакова која се заснива на препознавању знакова употребом хистограма. Резултат пројекта треба да буде програм у Пајтону који учита поједностављену “дигиталну слику”, препознаје симболе на тој слици и потом формира и исписује одговарајући стринг.
Ресурси и вештине¶
За реализацију овог пројектног задатка потребно је:
Два рачунара са инсталираним Пајтоном.
Реализација овог пројектног задатка укључује следеће активности:
Припрему и анализу фонта који ће програм моћи да препозна,
Писање програма који препознаје симболе.
Формирање тима¶
Тим треба поделити на следеће радне групе:
Радна група за припрему фонта
Радна група за препознавање текста.
Увод - растерска слика, растерски фонт¶
Растерска слика је правоугаона шема (кажемо још и матрица) тачака (које још зовемо и пиксели). На пример, ово је једна растерска слика:
Ова слика је црно-бела, а димензије су јој 10х15 пиксела.
Фонт представља систем који одређује облик и величину симбола (слова, цифара, знакова интерпункције). Растерски фонт је фонт код кога су симболи представљени растерским сликама. На пример, ево неколико симбола једног једноставног растерског фонта:
Видимо да је сваки симбол “упакован” у оквир димензија 10х5 пиксела. Ако пажљиво анализирамо прва четири симбола:
примећујемо да слова А, а и Ј “стоје” на црвеној линији (која се зове основна линија), док слово ј силази испод основне
линије. Такође, велика слова (као и тачка изнад ј) се протежу изнад плаве линије (која се зове основна висина),
док је “тело” сваког малог слова (које не силази испод основне линије) упаковано између црвене и плаве линије у оквир димензија 6х5.
Текст се исписује растерским фонтом тако што се “цртежи” слова ређају у ред, с тим да се између свака два оквира 10х5 остави по један пиксел размака:
Припрема фонта¶
Обе радне групе треба прво да се договоре о скупу симбола који ће моћи да буду препознати (српска ћирилица, српска латиница, слова енглеске абецеде, или нешто друго). Тај скуп треба да укључује велика слова, мала слова, цифре и неке од знакова интерпункције.
Радна група за припрему фонта потом треба да припреми растерску репрезентацију сваког симбола, односно, да га прикаже матрицом тачкица формата 10х5 поштујући правила која су описана у претходном одељку. Сваки симбол треба да буде описан листом стрингова, рецимо овако:
Slovo_A = [ Slovo_a = [
' X ', ' ',
' X X ', ' ',
'X X', ' XXX ',
'X X', ' X',
'XXXXX', ' XXXX',
'X X', 'X X',
'X X', 'X X',
'X X', ' XXXX',
' ', ' ',
' ' ' '
] ]
Бели пиксели су овде представљени празнином, док су црни пиксели представљени симболом X.
Препознавање текста¶
Радна група за препознавање текста треба од радне групе за припрему фонта да преузме описе симбола и да направи Пајтон програм који ће из текстуалне датотеке да учита “дигитални текст” и да га конвертује у стринг. “Дигитални текст” представља текст који се састоји од десет редова и изгледа отприлике овако:
X X X X XXX
X X X X X
X X XXX X X XXX XX XXX X X
XX X X X X X X X X X
XXX XXXX XX X X X XXXXX X
X X X X X X X X X X X
X X X X X X X X X X
X X XXXX X X XXX X XXXX X
X X
XX
пајтон програм кога треба написати треба да учита десет редова из датотеке, да из “исече” на растерску репрезентацију појединих слова и да тако добијене низове стрингова (по десет за свако слово) упореди са описима који су добијени од тима за припрему фонта. Програм потом треба да формира стринг са препознатим текстом и да га испише на монитор. На пример, за горњи “дигитални текст” програм треба да испише:
Kako je?
Када тим развије алгоритам који анализира и препознаје један ред “дигиталног текста”, програм треба унапредити тако да може да препозна “дигитални текст” који је организован у више редова. Препоручује се да два суседна реда у “дигиталном тексту” буду раздвојена једним празним редом. На пример за следећи “дигитални текст”:
X X X X XXX
X X X X X
X X XXX X X XXX XX XXX X X
XX X X X X X X X X X
XXX XXXX XX X X X XXXXX X
X X X X X X X X X X X
X X X X X X X X X X
X X XXXX X X XXX X XXXX X
X X
XX
XXX XXX XXX XXX XXX XXX XXX XXX
X X X X X X X X X X X X X X X X
X X X X X X X X X X X X X X X X
X X X X X X X X
X X X X X X X X
X X X X X X X X
X X X X X X X X
програм треба да испише:
Kako je?
????????
Самовредновање¶
Током рада на реализацији пројекта сваки учесник пројекта за себе води дневник у облику дељеног документа у облаку који има следећу структуру:
| Датум 1 | Датум 2 | Датум 3 | ...
-----------------------------------------------------
Члан тима 1 | време | | | ...
-----------------------------------------------------
Члан тима 2 | | | | ...
-----------------------------------------------------
Члан тима 3 | | | | ...
-----------------------------------------------------
... | | | | ...
У овај документ сваки члан тима уноси податке о томе колико времена је провео на пословима бављења пројектом.
Извештавање¶
По завршетку обе радне групе припремају заједнички извештај о решењу које су имплементирали, уоченим проблемима (како програмерским, тако и у раду са другим члановима тима) и могућностима да се пројекат побољша.
Обе радне групе припремају заједно још и Извештај о самовредновању у коме се анализира колико времена је утрошено на овај посао по ученику и по датуму и подаци се приказују одговарајућим дијаграмима.
Извештај се подноси целом разреду и наставнику који треба да посвети један час његовој анализи. Чланови тима треба да прокоментаришу Извештај о самовредновању. Презентацију резултата пројекта припремити у MS PowerPoint-у, или у облику плаката који касније може да буе истакнут на видном месту у школи.