show English version

Identifikace výsledku:
ZCU/KKY/2021/001

autorizovaný software (R)

Rok vydání: 2021
Autor: Salajka, P., Gruber, I., Neduchal, P., Hrúz, M., Zítka, T., Bulín, M., Hlaváč, M., Zajíc, Z., Švec, J., Ircing, P., Müller, L.

ROCRAZB - Software pro robustní rozpoznávání znaků azbuky v naskenovaných listinných dokumentech

Tento software je jedním z hlavních výstupů projektu DG20P02OVV018: "Digitální archiv dokumentů NKVD/KGB vztahujících se k Československu" a slouží k efektivnímu předzpracování naskenovaných listinných dokumentů v azbuce a k jejich následnému zpracování systémem optického rozpoznávání znaků (OCR).

Vstupem softwaru je tedy naskenovaný dokument v azbuce, nejčastěji napsaný na psacím stroji (software lze využít i na jakýkoliv tištěný text, na zpracování ručně psaných dokumentů navržen není), výstupem souvislý proud rozpoznaného textu v elektronické podobě. Vedlejším produktem zpracování je též zvýraznění rozpoznaných slov na příslušné stránce.

TECHNICKÉ PARAMETRY

Software ROCRAZB zpracovává vstupní naskenovaný dokument v několika krocích:

1. Segmentace stránek

Naskenované dokumenty někdy obsahují více než jeden dokument - do scanneru bylo často vloženo více menších dokumentů, které se nezřídka vzájemně překrývají. Úkolem segmentace je tedy najít ve vstupním obrázku stránku, která není ničím překryta, tu oříznout a předat k dalšímu zpracování. Tato segmentace je prováděna nejmodernějšími algoritmy založenými na neuronových sítích.

2. Narovnání pootočených stránek

Naskenované stránky bývají často mírně pootočené, což poměrně výrazně snižuje úspěšnost následného OCR. Proto je prováděno automatické narovnání s využitím 2D Fourierovy transformace.

3. Samotné OCR

Vlastní rozpoznávání textu je prováděno nástrojem Tesseract, který také využívá moderní algoritmy založené na neuronových sítích - jejich parametry jsme pro naše účely přetrénovali s využitím synteticky generovaných dokumentů.

Další technické detaily uvedených algoritmů je možno najít v následující publikaci:

Gruber I. et al. (2021) OCR Improvements for Images of Multi-page Historical Documents. In: Karpov A., Potapova R. (eds) Speech and Computer. SPECOM 2021. Lecture Notes in Computer Science, vol 12997. Springer, Cham. https://doi.org/10.1007/978-3-030-87802-3_21

EKONOMICKÉ PARAMETRY

Ekonomické parametry softwaru nelze jednoduše vyčíslit. Hlavním přínosem je významné usnadnění přístupu k cenným archivním materiálům.

UŽIVATELSKÁ DOKUMENTACE

Ke stažení zde

Licenční podmínky

Licence je poskytována zdarma pro instituce, které mají s partnerem projektu - Ústavem pro studium totalitních režimů (ÚSTR) - ošetřena práva na trénovací data (naskenované dokumenty v azbuce), která slouží k nastavení parametrů výše uvedených softwarových modulů.