Симонович С.В. Информатика

Подождите немного. Документ загружается.

490

Глава 17. Автоматизация обработки документов

Сканировать для

предварительного

просмотра

Сканировать

документ

|¥11»$ШWAiif^^^'^^

*^5T5'^^"'^t't>5^^-^"^>,4^«?-^?C^?/:?=^ ""<*«,'>?.

•=•>

Г' ^'У

K'/fj^

I - QI

lEPSONTWAfN

ia:^t]w^i

ntt^ibAi

|э6о" " 23 ^

Страница сканируемого

документа

Окно предварительного

просмотра

Рис. 17.1.

Диалоговое окно интерфейса

TWAIN

может выглядеть по-разному —

его вид

определяется драйвером сканера

называется

Со

сканера

или^камеры).

После выбора этой команды открывается диа-

логовое окно драйвера TWAIN вид которого зависит

от

модели сканера

(рис.

17.1).

В этом окне задают параметры сканирования: черно-белый или цветной режим,

разрешение, коррекция яркости и контрастности. Большинство сканеров позво-

ляют

также

произвести предварительное черновое сканирование с низким разреше-

нием и по его результатам точно задать область сканирования

—

часть страницы

документа.

После настройки всех параметров следует щелкнуть на кнопке Сканировать (над-

пись на кнопке может быть иной). Процесс сканирования происходит автомати-

чески, и изображение передается

приложение.

Диалоговое

окно

драйвера

TWAIN

автоматически не закрывается, так что, например, в многооконных графических

редакторах (таких, как

Adobe PhotoShop)

можно сразу провести сканирование не-

скольких изображений.

Распознавание документов

Эт2И1

распознавания

документа состоит

преобразовании электронного изображе-

ния (фактически набора цветных или черно-белых точек) в текстовый документ.

Ранее для описания этого процесса обычно использовался термин OCR (Optical

Character

Recognition),

который соответствует одному из используемых методов.

При таком подходе происходит «сравнение» элемента изображения

эталонными

17.1.

Преобразование документов

электронную форму 491

вариантами начертания символов, после чего выбирается наиболее подходящий

символ. Этот подход требует использования специального комплекта шрифтов,

но

дает на нем наилучшие результаты. Современные алгоритмы распознавания не

привязаны к конкретному начертанию символов: программа, как и человек, спо-

собна узнавать буквы при любых начертаниях (а иногда

при значительных иска-

жениях).

ходе распознавания сначала

изображении выделяются крупные элементы тек-

ста: колонки, абзацы, отдельные текстовые блоки (например, подрисуночные под-

писи),

ячейки таблиц. Этот этап называют

сегментацией,

он может выполняться

автоматически или

вручную.

После

этого

выполняется автоматический этап распо-

знавания: блоки разбиваются на строки, строки

—

на отдельные символы, каждый

из которых распознается независимо

помещается

итоговый текстовый документ.

Работа с программой FineReader

Все операции, необходимые в ходе преобразования бумажного документа

элект-

ронную форму, могут быть выполнены с помощью программы FineReader

(рис.

17.2).

Эта программа способна выполнять сканирование

распознавание тек-

стов на разных языках, в том числе и смешанных двуязычных текстов. С ее помо-

щью можно выполнять пакетную обработку многостраничных документов, а так-

же настраивать режим распознавания для улучшения соответствия электронного

документа бумажному оригиналу при плохом качестве последнего или использо-

вании в нем шрифтов, далеких от стандартных.

Основные операции обработки бумажного документа в программе FineReader

выполняются с помощью панели инструментов Scan&Read. С точки зрения этой

программы, процесс обработки документа состоит из пяти этапов:

• сканирование документа (кнопка Сканировать);

• сегментация документа (кнопка Сегментировать);

• распознавание документа (кнопка Распознать);

• редактирование и проверка результата (кнопка Проверить);

• сохранение документа (кнопка Сохранить).

Сканирование документа. На этапе

сканирования

производится получение изоб-

ражений при помощи сканера и сохранение их в виде, удобном для последующей

обработки. Чтобы начать сканирование, надо включить сканер и щелкнуть на

кнопке Сканировать на панели инструментов Scan&Read. В программе

FineReader

сканирование может производиться как через драйвер

TWAIN,

так и в обход его.

Первый способ используют, когда требуется точная настройка параметров сканиро-

вания, когда документ включает цветные иллюстрации, которые необходимо сохра-

нить,

а также когда разные страницы многостраничного документа сильно разли-

чаются по качеству. Второй вариант обеспечивает максимальную скорость и

удобство сканирования. Выбор используемого варианта осуществляется при

помощи флажка ПоказыватьдиалогТ\Л/А1М-драйвера сканера (Сервис • Опции • Ска-

нирование).

492

Глава 17. Автоматизация обработки документов

Панель

, Стандартная

Панель

.Инструменты

Панель Панель

-Распознавание --Scan&Read

иследуюшйх параграфах мы ссылаемся »в tie '

IE.

Кажамй шаг «дгор*»тмй (»an|mxiep, ii«r El j ,

\ш примере) иачшмтс» с фрезы» взятой

ква

it>pa« как жшко к«))>с*че |;e«t»»t:pyer су1ь 9ТС

оОыч!iV'

ннакггся'

Ya&jice *

1.(йхро)^)жлак)шеГ{

[^лок-txcsta

алггсрпгйа Е,:

f 11(м:ле рсзккчирунмисб

ф^аэы

сягдует описи

тх'^ами тех Шспшай, которые дс»лж1}|>г Сыг}> <

решеилй, кеюрыс дачжаы быть прнвяты^Инс

КАЮченмыа

в нруилш

сг^обки tiOMMetimapuui

ложемие R mare 1г})« кото{^ые яа«пяк}хся. допо

«.Ж'Й об этом шаге, скажем ухваыпакя »«t onjM«S

ciiiK» сорем^хых» на u<^jii» данного шага и т, '

последующих параграфах

мы

ссы

1||Е.

Каждый шаг алгоритма (нaпpи^

ше примере) начинается с фразы^ ;

торая как можно короче резюмир

обычно пишется также в сопровс

(см.

рис. 1), та| чтобы читатель м(

себе алгоритм,

котором

идет речь

ооычно пишется

(см.

рисх1), та|£

Блок-схема

ВСОПрОЬ

читатель м<.

текктоеый бпсзк

Окно Пакет Окно Крупный план Окно Изображение

Рис. 17.2.

Рабочее окно программы

FineReader

процессе

распознавания отсканированного документа

Процесс сканирования осуществляется автоматически и требует от пользователя

только вспомогательных операций, таких, как смена сканируемой страницы. Воз-

можность вмешательства в работу программы заблокирована размещением на эк-

ране специального диалогового окна, уведомляющего о том, что идет сканирова-

ние,

и позволяющего прервать это процесс.

По завершении сканирования значки всех обработанных страниц отображаются в

окне

Пакет.

основной

части

рабочей области появляется окно

Изображение,

содер-

жащее изображение текущей страницы. Добавлять страницы в пакет можно не

только путем сканирования,

но и

путем открытия файлов

изображениями, имею-

щихся на компьютере.

17.1.

Преобразование документов в электронную форму 493

Распознавание документа. Этап распознавания текста документа можно разде-

лить на

две

операции, выполняемые поочередно. Первая операция

—

сегментация,

разбиение страницы на блоки текста. Обычная книжная страница представляет

собой

единый блок

текста,

который распознается

естественном порядке

— по

стро-

кам,

расположенным на странице сверху вниз и идущим

от левого

края

до

правого.

Если страница содержит колонки, иллюстрации, врезки, подрисуночные подписи

или таблицы, то порядок распознавания требует коррекции.

таком случае содержимое страницы разбивается на

блоки.

Внутри каждого блока

сохраняется естественный порядок распознавания. Блоки нумеруются, исходя из

порядка включения их

документ.

Программа FineReader

способяэ,

выполнить сег-

ментацию (определить границы блоков) автоматически даже для весьма сложных

страниц. При этом учитываются поля документа, просветы между колонками,

рамки.

Если структура страницы очень сложна или содержит явные дефекты, которых не

всегда удается избежать при сканировании, удобнее

\1сиолъзовг.тъ

ручную

сегмен-

тацию или ручное редактирование результатов автоматической сегментации.

Блоки отображаются в виде цветных прямоугольников с номером в левом верх-

нем

углу.

Новый блок создают протягиванием

мыши

по диагонали прямоугольника.

Текущий блок помечается выделенной

линией,

а его

углы ~ прямоугольными мар-

керами. С помощью этих маркеров можно изменить размер или положение блока.

Команды редактирования блоков выведены на панель Изображение. Они позволяют:

• объединить два блока в один (Добавить часть

блоку);

• удалить фрагмент блока (Удалить часть блока);

• изменить порядок нумерации блоков (Перенумеровать блоки);

• изменить разбиение таблицы на ячейки (Добавить вертикаль, Добавить гори-

зонталь.

Удалить

линии).

Разные типы блоков обрабатываются программой по-разному. Чтобы изменить

тип блока, надо щелкнуть правой кнопкой мыши

его пределах

назначить новый

тип с помощью меню Тип блока в контекстном меню. Программа

FineReader

под-

держивает следующие типы блоков:

• автоматический (Зона распознавания)

— на этапе

распознавания анализируется

и разбивается на блоки автоматически;

• текстовый (Текст)

—

на этапе распознавания преобразуется в текст;

• табличный (Таблица)

—

представляет собой набор ячеек, каждая из которых

преобразуется в текст по отдельности;

• изображение (Картинка)

—

включается в документ без изменений как графи-

ческая иллюстрация, если формат сохранения преобразованного документа

допускает вставные объекты.

Процесс распознавания текста после сегментации полностью автоматизирован.

Кнопка Распознать на панели Scan&Read позволяет автоматически выполнить сег-

ментацию и распознавание, хотя в ходе сегментации учитываются ограничения,

494

Глава 17. Автоматизация обработки документов

установленные

вручную.

ходе процесса отображается диалоговое окно Распозна-

вание,

позволяющее прервать

процесс.

Кроме

того,

этом окне отображаются сооб-

щения, указывающие на наличие проблем при распознавании. Проблемы обычно

вызываются неверными настройками или плохим качеством распознаваемого изоб-

ражения. Если же дело

каких-то шрифтовых особенностях распознаваемого доку-

мента, применяют

распознавание

обучением.

Распознавание с обучением. Распознавание

обучением состоит

формировании

эталона,

который используется

ходе

распознавания

дальнейшем.

Эталон настра-

ивается

так,

чтобы соответствовать определенному документу или группе однотип-

ных документов. Чтобы создать эталон, используют команду Сервис • Редактор

эталонов • Новый. После этого надо указать имя эталона и щелкнуть на кнопке

ОК.

Режим распознавания с обучением включается при настройке параметров работы

программы (Сервис • Опции • Распознавание). Создать, выбрать или сменить эта-

лон можно, щелкнув на кнопке

Эталоны.

После этого необходимо установить фла-

жок Распознавание с обучением.

Когда

ходе распознавания

обучением программа Я/ге/?^(Зб/^г обнаруживает сим-

вол,

который

не

может интерпретировать

однозначно,

на экран выдается диалоговое

окно

Ручное обучение эталона

(рис. 17.3). Программа указывает элемент изобра-

жения, вызвавший сомнения, и показывает, как именно он будет интерпретиро-

ван.

Если

допущена

ошибка,

можно

указать нужный символ

поле

Введите

символ,

выделенный рамкой или уточнить область распознавания

помощью кнопок Сдви-

нуть влево и Сдвинуть вправо. Затем надо щелкнуть на кнопке Обучить. Необходи-

мые

сведения сохраняются

используются

при

дальнейшем анализе изображения.

Если число

ошибок

невелико,

можно продолжить распознавание

обычном режиме

щелчком

nai

кнопке Закрыть.

Распознаваемый

элемент

11Ш111111И1Ш1111Ш1111

Хек<^4>4Й

эталон:

Е ЛО ocuments 9nd $ etlbgs\0\Locat SettingsNApfidtcation D

Корректировка

зоны

распознавания

Выбор

символа

•

Рис. 17.3,

Ручное ^обучение»

механизма

распознавания текста

Практическое занятие

495

Редактирование документа. Когда распознавание данной страницы завершается,

полз^енный текстовый документ отображается

окне

Текст.

Заключительные этапы

работы позволяют отредактировать полученный текст

помощью

средств,

напоми-

нающих текстовый редактор

WordPad

(панель для форматирования открывается

при помощи команды Вид • Панель инструментов

•

Форматирование). Провести

проверку орфографии

учетом трудностей распознавания позволяет кнопка Про-

верить на панели инструментов Scan&Read. Информация о возможных ошибках и

неоднозначностях отображается в диалоговом окне Проверка (рис. 17.4).

Фрагмент

оригинала

Распознанный

текст

Варианты

замены

Niior

без

особого труда

! Проверка

Нет

словаре

„

^ ^^ \

Пропустить

сопровождающей алгоритм 6ло/с-сх^^?

-' * '

Кхатель мог

без

идет речь

. носового осевого

[Чистового псового

[

Ярового адового

Я^|к

словаря:

Русский

труда предста

..,

Пропустигысв

•V-

юсового

ахового

^Заменить

Sil

З^мешгь в£е

[

Отменить

^ [^

йпции^

J [^

Закрьггь

Рис.

17.4.

Проверка правильности текста с учетом

трудностей распознавания

и правил правописания

Сохранение документа. По щелчку на кнопке Сохранить на панели инструментов

Scan&Read запускается Мастер сохранения результатов. Он позволяет сохранить

распознанный текст или передать его в другую программу (например, в

Microsoft

Worfi?) для последующей обработки.

15 мин

Практическое занятие

Упражнение 17.1. Сканирование документа

Включите сканер.

Запустите программу Paint (Пуск • Программы • Стандартные

•

Paint).

Откройте крышку сканера, положите документ на окно сканера текстом вниз,

закройте крышку.

Дайте команду Файл > Со сканера или камеры.

Средствами открывшегося диалогового окна драйвера TW/IZ/Vпроведите пред-

варительное сканирование документа.

6. Средствами диалогового окна драйвера TW^I/V выделите на документе область,

подлежащую сканированию.

496 Глава

17.

Автоматизация обработки документов

Средствами диалогового окна драйвера 7Ж4/Л^ задайте черно-белый режим и

разрешение сканирования. Для обычных текстовых документов наиболее

эффективное разрешение составляет 300 dpi.

8. Средствами диалогового окна драйвера rW>l/iV проведите сканирование.

9. Закройте диалоговое окно драйвера

TWAIN.

10.

Ознакомьтесь

тем,

как выглядит отсканированный

документ.

Увеличьте мас-

штаб изображения, чтобы оценить качество воспроизведения отдельных сим-

волов.

11.

Сохраните отсканированный документ

формате ГЛТдля использования

сле-

дующем упражнении.

[Д Мы научились выполнять сканирование документов из приложений через драйвер

TWAIN.

Это наиболее универсальный метод, применимый во всех приложениях, кото-

рые допускают использование сканера.

Упражнение 17.2. Преобразование изображения ^Щ

в текстовый документ ^^

15 мин

Включите сканер.

Запустите программу FineReader (Пуск • Программы • ABBYY FineReader 6.0

Professional).

Откройте крышку сканера, положите документ на окно сканера текстом вниз,

закройте крышку сканера.

Щелкните на кнопке Сканировать на панели инструментов Scan&Read.

Дождитесь окончания сканирования. Обратите внимание на появление значка

отсканированного документа на панели Пакет и в окне Изображение.

6. Щелкните на кнопке Распознать. Изучите результат автоматической сегмента-

ции в окне Изображение. Ознакомьтесь с распознанным текстом в окне Текст.

Сохраните распознанный текст в виде текстового файла.

8. Откройте текстовый файл в программе Блокнот и еще раз убедитесь в пра-

вильности распознавания. Закройте программу Блокнот.

9. Дайте команду Файл • Открыть изображение и выберите изображение, создан-

ное в предыдущем упражнении.

10.

Выберите это изображение в окне Пакет

проведите его распознавание в соот-

ветствии с пп. 6-8 данного упражнения.

11.

Сравните результаты распознавания при сканировании через 7Ж4//У-драйвер

и в обход

его.

Сравните трудоемкость этих операций.

Н Mb! научились преобразовывать бумажные документы в электронную форму при

помощи программы FineReader.

Мы

познакомились

возможностью работы с пакетом

страниц.

Мы

также выяснили преимущества методов сканирования

использованием

TWAIN-драйвера и

обход его.

Практическое занятие 497

Упражнение 17.3. Ручная сегментация изображения

15 мин

Включите сканер.

Запустите программу FineReader (Пуск • Программы •

ABBYY

FineReader 6.0

Professional).

Откройте крышку сканера, положите документ на окно сканера текстом вниз,

закройте крышку.

Щелкните на кнопке Сканировать

на

панели инструментов Scan&Read

дожди-

тесь окончания сканирования.

Щелкните

на

кнопке Распознать

на

панели инструментов

Scan&Read.

Ознакомь-

тесь

тем,

как проведено упорядочение распознанного текста

соответствии с

автоматической сегментацией. Оцените пригодность полученного документа.

Сохраните полученный документ для последующего сравнения.

8. Щелкните в окне Изображение правой кнопкой мыши и выберите в контекст-

ном меню команду Удалить блоки

текст.

9. Щелкните

на

кнопке Выделить текстовый

блок на

панели инструментов Изобра-

жение.

Сформируйте блоки

вручную,

выделяя отдельные элементы документа.

10.

Чтобы блоки, содержащие иллюстрации, не распознавались как текст, щелк-

ните на каждом из них правой кнопкой мыши и выберите в контекстном меню

команду

Тип

блока • Картинка.

И. Щелкните на кнопке Перенумеровать блоки на панели Изображение. Задайте

последовательность блоков, щелкая на них

том порядке, в каком их содержи-

мое должно включаться в окончательный документ.

12.

Щелкните на кнопке Распознать на панели инструментов Scan&Read. Сохра-

ните полученный документ.

13.

Сравните документы, полученные в результате автоматической и рз^ной сег-

ментации.

В Мы научились производить ручную сегментацию изображения для распознавания и

узнали,

в каких случаях ее следует производить.

Мы

также узнали, как задается тип

блоков и порядок блоков, чтобы полученный документ наилучшим образом соответ-

ствовал оригиналу.

Упражнение 17.4. Корректировка текста отсканированного ^^

документа ^*-^

*^ ^ ЗОмин

Включите сканер.

Запустите программу FineReader (Пуск • Программы •

ABBYY

FineReader 6.0

Professional).

Откройте крышку сканера, положите документ на окно сканера текстом вниз,

закройте крышку.

498 Глава 17. Автоматизация обработки документов

Дайте команду Файл • Новый Пакет.

Задайте имя пакета и место его размещения, после чего щелкните на кнопке

Создать.

Щелкните на кнопке Сканировать, чтобы выполнить сканирование документа.

Щелкните на кнопке Распознать, чтобы программа выполнила сегментацию и

распознавание текста автоматически.

8. Щелкните на кнопке Проверить, чтобы начать проверку распознанного текста.

диалоговом окне Проверка выбирайте необходимые действия для корректи-

ровки ошибок распознавания.

10.

Обращайте также внимание на ошибки, которые программа

FineReader может

пропустить: ошибки при распознавании знаков препинания, пропуски строк

при низком качестве отсканированного

текста,

дефекты сканирования, которые

не могут быть исправлены автоматически.

11.

Сохраните полученный документ.

И Мы научились улучшать качество электронного документа путем полуавтоматической

обработки результатов распознавания.

Мы

также

узнали,

какие ошибки наиболее ха-

рактерны для систем распознавания.

17.2.

Автоматизированный перевод документов

к средствам автоматизации перевода можно отнести два вида программ: элект-

ронные словари и программы перевода.

Электронные словари

представляют собой

средства для перевода

отдельных

слов,

отображаемых на экране или имеющихся в

документе. Удобство их использования состоит в возможности немедленно полу-

чить перевод неизвестного слова без поиска его в отдельном толстом томе. Про-

граммы перевода

получают на входе текст, выполненный на одном языке, и выда-

ют текст на другом языке, то есть автоматизируют перевод текста.

Электронные словари удобны для профессиональных переводчиков, которые

выполняют большую часть работы по переводу вручную. Их также могут исполь-

зовать

лица,

целом знающие иностранный

язык,

если надо

не

обеспечить перевод

документа, а просто ознакомиться с его содержанием.

Надежный и качественный автоматический перевод документов с одного языка

на другой (мы будем говорить в основном о переводе с английского на русский)

пока остается недостижимым идеалом. Причин для этого множество, и главная из

них состоит в том, что перевод текста не сводится к переводу отдельных лексиче-

ских единиц. Преодолеть этот барьер современные программы автоматического

перевода пока не могут.

Тем

не

менее,

современные средства автоматизации перевода достигли

того

уровня,

который позволяет эффективно использовать их на

практике.

Дело

том,

что тех-

нический

текст,

в отличие от

художественного,

использует ограниченное число

языковых конструкций и более ориентирован на однозначную интерпретацию.

17.2.

Автоматизированный перевод документов 499

Среди используемых лексических единиц встречается большое число

технических

терминов,

имеющих совершенно определенный смысл в рамках данной научной

или технической дисциплины. Это значительно упрощает процесс перевода и

позволяет в отдельных случаях автоматически получать текст, близкий к резуль-

тату ручного подстрочного перевода.

Программы автоматического перевода имеет смысл использовать для перевода

технических текстов в следующих случаях:

• при абсолютном незнании иностранного языка;

• при необходимости получить перевод

быстро,

даже ценой снижения его каче-

ства (например, это относится к переводу ^^6-документов);

• для перевода на иностранный язык (умения читать иноязычные тексты недо-

статочно, чтобы научиться объясняться на иностранном языке);

• для быстрого создания первоначального черновика («подстрочника»), исполь-

зуемого в ходе подготовки полноценного перевода.

Работа с программой PROMT XT

Для автоматизированного перевода технических

текстов

можно,

например, исполь-

зовать разные программы семейства

PROMT.

Они позволяют переводить докумен-

ты с английского языка на русский и

русского на английский. Чтобы обеспечить

правильный перевод

терминов,

относящихся

определенной научной дисциплине,

используют специализированные словари, в которых для слов, используемых как

термины, предлагается

качестве перевода не «обиходное»,

специальное значение.

Если необходимость

переводе документов возникает часто

обрабатывать прихо-

дится документы разных

форматов,

удобно использовать один из вариантов пакета

PROMT XT. Если необходимость перевода возникает от случая к случаю и прихо-

дится иметь дела

неформатированными текстами (например, сообщениями элек-

тронной почты) и короткими отрывками, можно воспользоваться более простой

программой

X-TranslatoVy

которая также относится к семейству

PROMT.

В этом

пособии мы рассмотрим работу с использованием пакета PROMT XT.

Если программа PROMT XT установлена на компьютере, для ее запуска можно

использовать Главное меню (Пуск • Программы •

PROMT XT

Family • PROMT).

Одновременно для обработки может быть открыто несколько документов. Окна

документов имеют необычный вид (рис. 17.5). Они разбиваются на три отдельные

области:

две из них предназначены для отображения оригинала текста

сформиро-

ванного перевода,

третья представляет собой

информационную

панель,

предназна-

ченную

для

вывода информации

переводимом

дохсументе и

специальных настройках.

Чтобы произвести перевод имеющегося документа

использованием заданных по

умолчанию настроек, применяют следующий порядок действий.

Сначала необходимо открыть документ на языке оригинала (кнопка Открыть

на панели инструментов

Основная).

Нужный документ выбирают в диалоговом

окне Выберите

документ.

Формат открываемого файла выбирают в раскрыва-

ющемся списке

Тип

файлов.