Текстовая информация — информация, выраженная с естественных и формальных языков в письменной или печатной форме.
Для ручного ввода текстовой информации чаще всего используются клавиатура и мышь. Для голосового ввода — микрофон вместе с соответствующими современными программами распознавания голоса.
Сканирование
Для оптического ввода в компьютер и преобразования в электронную форму текстовые документы и изображения (фотографии, рисунки, слайды) необходимо оцифровать. Технологический процесс оцифровки, в результате которого создается графический образ бумажного документа, называется сканированием. Устройства к оцифровке изображений, — планшетный, листовой, слайдовый и барабанный сканеры, цифровые камеры, платы ввода видеоданных и др.
Графический файл, полученный в результате сканирования, хранит растровое изображение исходного документа (состоящее из точек).
Распознавание текста
После обработки документа сканером получается графическое изображение документа (графический образ), т. е. набор разноцветных точек. Сканированный текст нельзя редактировать, выбрать из него фрагмент и т. п. Для того, чтобы редактирование стало возможным, следует перевести сканированный текст из графического в текстовый формат. Программы выполнять эту операцию, называются программами распознавания текста, или OCR (англ. Optical Character Recognition — оптическое распознавание символов).
Проблема распознавания текста является весьма сложной. Современные алгоритмы распознавания текста не ориентируются ни на конкретный шрифт, ни на конкретный алфавит. Большинство программ распознавать текст на нескольких языках, представленный в различных формах (например, таблицах, нескольких колонках) и с различным качеством печати.
Лидером среди программ распознавания, которые поддерживают работу с русским языком, является FineReader российской компании ABBYY. Программа производит распознавание текста более чем со 180 языков, открывает файлы многих графических форматов (TIFF, JPG, PFD, PNG, DjVu и др.). Встроена возможность распознавания изображений с цифровых фотоаппаратов.
Еще одна система — OCR CuneiForm — бесплатная программа сканирования и распознавания текста российской компании Cognitive Technologies. Она обеспечивает распознавание текста с сохранением исходного вида документов на более чем 20 языках, в том числе русском, а также распознавание смешанного русско–английского текста.
Текстовые документы предпочтительнее сканировать из системы распознавания, а не с запуска «родной» программы сканера, поскольку та все равно будет вызвана для процесса сканирования, а после его завершения документ предстоит распознавать.
Пример процесса распознавания
Рассмотрим процесс распознавания документов на примере программы ABBYY FineReader.
При установке программы на компьютер команды ее запуска добавляются во многие контекстные меню. Можно открыть изображение документа прямо из окна Проводника или Моего компьютера, выбрав из контекстного меню команду Открыть с
Также при установке программа интегрируется в приложения MS Office. В таких программах, как MS Word, MS Exсel, появится панель ABBYY FineReader. Для распознавания документов непосредственно из MS Word или MS Excel нужно нажать кнопку этой панели, проверить в диалоговом окне установленные опции и нажать кнопку Старт. Будет запущена программу FineReader, а распознанный ею текст будет передан обратно в MS Word или MS Exсel.
В стартовом окне FineReader содержится список наиболее распространенных сценариев обработки документов (последовательностей операций). Например, сценарий Сканировать в PDF содержит набор операций: «отсканировать — распознать — сохранить в PDF». Наиболее часто используется сценарий Сканировать в Microsoft Word — он предлагает отсканировать документ, распознать его содержимое и передать в текстовый редактор Word. Можно выполнить требуемые действия и без выбора сценария — запуская самостоятельно нужные этапы.
Объяснение:
