بهبود بازشناسی متن فارسی با استفاده از اطلاعات در سطح کلمات

در این مقاله روشی برای بهبود بازشناسی تصاویر متون چاپی فارسی با استفاده از اطلاعات آماری زبان در سطح کلمات ارایه شده است. در این روش ابتدا تصویر براساس روش مبتنی بر شکل کلی زیرکلمات بازشناسی می شود و برای هر زیرکلمه، زیرکلمات محتمل دیگر ازخروجی سیستم OCR دریافت می گردند، سپس تصحیح خطا با استفاده از اطلاعات مدل زبانی بایگرم در سطح کلمه انجام می گردد. در این روشبرای به دست آوردن کلمات محتمل از مدل مخفی مارکوف استفاده شده است. برای آزمایش روش های پیشنهادی، 19 سند با چهار فونتB Lotus, B Mitra, B Nazanin و B Yagut با اندازه های 14، 16، 18، 20 فراهم گردید. بازشناسی در سطح زیر کلمه با دقت حدود 88 درصد و اصلاح خطا در سطح کلمات دقت را به حدود 92 درصد افزایش داده است.

کلیدواژه ها:

، OCR ، پردازش زبان طبیعی ، مدل مخفی مارکوف ، مدل بایگرم ، متن چاپی