بهبود بازشناسی متن فارسی: ارایه یک روش تکمیلی بر پایه حذف نقاط حروف

سیستم های (Optical Character Recognition) OCR به سیستم هایی اطلاق می شود که قادرند تصاویر دیجیتالی از متون چاپی را بهکاراکتر های دیجیتالی تبدیل کنند. OCR به روشهای گوناگونی پیاده سازی شده است که در حال حاضر کارآمدترین آنها برای زبان فارسی،استفاده از شبکه عصبی است. در این روش، حروف موجود در عکس به صورت یک به یک به شبکه عصبی ارسال شده و کاراکتر دیجیتالی نظیر هرحرف تشخیص داده میشود. اما یکی از بزرگترین چالش های پیش روی این دست از الگوریتمها وجود نقاط در بالا و پایین حروف در رسم الخطفارسی است. هدف اصلی در این پژوهش ارایه یک متد تکمیلی در OCR فارسی است که با حذف هوشمندانه نقاط حروف، به بهبود کیفیت جداسازیحروف کمک میکند. این روش با تشکیل نمودار هیستوگرام افقی و محاسبه خط مبنا و با استفاده از ایده اصلی روش برچسب گذاری به همراهتغییرات ایجاد شده، نقاط را حذف می کند. نتایج به دست آمده از پیاده سازی این روش نشان دهنده موفقیت در حذف همه نقاط در فونت هایپرکاربرد فارسی و بهبود حداقل % 17 کیفیت تشخیص نسبت به روش مرجع است.

کلیدواژه ها:

پردازش تصویر ، تشخیص متن ، OCR