TAILIEUCHUNG - Rút trích văn bản từ tập tin hình ảnh tesseract

Trong bài báo này, chúng tôi bước đầu tìm hiểu các phương pháp trích lọc văn bản từ hình ảnh của một số công trình liên quan đồng thời cũng tìm hiểu, hiệu chỉnh công cụ mã nguồn mở Tesseract để thực hiện trích lọc văn bản tiếng Anh từ tập tin hình ảnh. Kết quả thử nghiệm bước đầu cho thấy công cụ này rút trích khá tốt các văn bản từ tập tin hình ảnh chứa văn bản được đánh máy. | TẠP CHÍ KHOA HỌC CÔNG NGHỆ SỐ 02/2014 RÚT TRÍCH VĂN B N T8 T9P TIN HÌNH NH V;I TESSERACT TR N THANH PHƯ C Khoa Công ngh Thông tin – Tr ng ðHCN Th c ph m TÓM T T T T Rút trích văn bản từ tập tin hình ảnh đang là mộ t trong những bài toán quan trọng trong xử lý ảnh hiện nay. Trong bài báo này, chúng tôi bước đầu tìm hiểu các phương pháp trích lọc văn bản từ hình ảnh của một số công trình liên quan đồng thời cũng tìm hiểu, hiệu chỉnh công cụ mã nguồn mở Tesseract để thực hiện trích lọc văn bản tiếng Anh từ tập tin hình ảnh. Kết quả thử nghiệm bước đầu cho thấy công cụ này rút trích khá tốt các văn bản từ tập tin hình ảnh chứa văn bản được đánh máy. Từ khóa: Rút trích văn bản, tập tin hình ảnh, Tesseract. EXTRACTING TEXT FROM IMAGE FILES USING TESSERACT ABSTRACT Extracting text from the image file is one of the important problems in image processing. In this paper, we initially study the methods of text extracting from images from a number of related works. Besides, we also learn and adjust the Tesseract, an open source tool, to perform extracting English texts from the image file. Initial test results show that this tool quite extracted the text from the image file containing the typed text. Key words: Extracting text, image files, tesseract. 1. Gi i thi u Hiện nay, nhu cầu về việc rút trích từ ngữ từ hình ảnh đang ngày càng phát triển, bên cạnh sự gia tăng về nhu cầu là sự phát triển của công nghệ nhận dạng ký tự quang học (Optical Character Recognition) hay còn được gọ i tắt là OCR. Đây là một công nghệ giúp chuyển đổ i hình ảnh của chữ viết tay hoặc đánh máy thành các ký tự đã được mã hóa trong máy tính. Giả sử chúng ta cần chỉnh sửa một số tài liệu giấy như: Các bài viết trên tạp chí, tờ rơi, hoặc một tập tin PDF hình ảnh. Rõ ràng, chúng ta không thể sử dụng một máy quét để chuyển các tài liệu này thành tập tin văn bản để có thể chỉnh sửa (ví dụ như trình soạn thảo Microsoft Word). Tất cả những gì máy quét có thể làm là tạo ra một hình ảnh hoặc một

• Hệ điều hành
• Rút trích văn bản
• Tập tin hình ảnh với tesseract
• Tập tin hình ảnh
• Mã nguồn mở Tesseract
• Phương pháp trích lọc văn bản
• Rút trích từ khóa
• Văn bản pháp luật tiếng Việt
• Thuật toán TextRank
• Phương pháp rút trích từ khóa
• Rút trích từ khóa từ văn bản pháp luật Tiếng Việt
• Tóm tắt luận văn thạc sĩ
• Luận văn thạc sĩ
• Luận văn thạc sĩ công nghệ thông tin
• Nghiên cứu trích rút văn bản
• Phương pháp trích rút văn bản
• Luận văn hệ thống thông tin
• Tài liệu văn bản trong thư viện số
• Tóm tắt tài liệu văn bản
• Trích rút tài liệu văn bản
• Tóm tắt tối ưu
• Hàm trích rút tối ưu
• Đánh giá về thông tin và độ dài
• Tóm tắt rút trích
• Thực nghiệm tóm tắt rút trích văn bản
• Mô hình GRU RNN 2 chiều
• Phương pháp centroid based
• Xây dựng word embedding
• Rút trích mối quan hệ
• Rút trích thông tin
• Khác thác thông tin lâm sàng
• Khai thác văn bản
• Mối quan hệ y tế
• Xử lý ảnh
• Công cụ mã nguồn mở Tesseract
• Trích lọc hình ảnh
• Công nghệ thông tin
• Trích rút tri thức
• Văn bản tiếng Việt
• Chế biến rau quả
• Kho dữ liệu tri thức
• Khoa học máy tính
• Luận văn thạc sĩ kỹ thuật
• Luận văn khoa học máy tínhĩ
• Luận văn khoa học máy tính
• Tóm tắt văn bản
• Xử lý ngôn ngữ
• Tóm tắt trích rút văn bản
• Tập dữ liệu ngôn ngữ
• Xử lý ngôn ngữ tự nhiên
• Perceptron nhiều lớp
• Tóm tắt Luận án Tiến sĩ Kĩ thuật
• Tóm tắt Luận án Tiến sĩ
• Mô hình rút trích thông tin văn bản
• Miền chuyên biệt Tin học
• báo cáo khoa học
• Internet
• Phương pháp SVM
• Phương pháp FSVM
• Phân loại đa lớp mờ
• Trích rút mối quan hệ
• Lan truyền nhãn
• Học bán giám sát
• Relation extraction
• Labeled propagation
• Semi supervised learning
• Trích xuất thông tin
• Phân loại văn bản
• Lưu trữ thông tin
• Phân tích mã HTML
• Trích xuất thông tin dựa vào cây DOM
• Luận án Tiến sĩ
• Kĩ thuật học sâu
• Phương pháp tóm tắt đơn văn bản
• Văn bản hướng trích rút
• Tóm tắt đơn văn bản hướng tóm lược
• Phương pháp tóm tắt đa văn bản
• Mức độ văn bản
• quá trình nhúng
• quá trình rút trích
• Hiển thị văn bản
• ngôn ngữ lập trình
• lập trình C
• Tóm tắt văn bản tự động
• Học tăng cường
• Mô hình BERT
• Phương pháp tóm tắt văn bản
• Phương pháp MMR
• Luận văn Thạc sĩ ngành Khoa học máy tính
• Tóm tắt luận văn Thạc sĩ Kỹ thuật
• Ứng dụng khai phá dữ liệu
• Kỹ thuật khai phá văn bản
• Phương pháp tách từ
• Xác định các hệ số đặc trưng
• Giải thuật di truyền
• Bài toán tóm tắt văn bản tiếng Việt
• Hướng trích rút
• Vị trí câu
• Độ dài câu
• Trọng số TFxISF
• Hệ thống chủ đề tài liệu
• Nhận biết chủ đề văn bản
• Phương pháp nhận biết chủ đề tài liệu
• Rút trích chủ đề
• Luận văn Thạc sĩ Khoa học máy tính
• Đặc trưng biểu cảm khuôn mặt
• Kỹ thuật ghi nhận biểu cảm mặt người
• Phương pháp nhận dạng khuôn mặt
• Gom cụm đồ thị
• Khối thông điệp
• Diễn đàn thảo luận
• Bài toán gom cụm phẳng
• Biểu diễn văn bản bằng đồ thị
• Gom cụm đồ thị bằng mạng Kohonen
• cơ sở dữ liệu chữ viết tắt tiếng Việt
• Từ điển chữ viết tắt
• Trích rút văn bản
• Xử lý tiếng Việt
• Cơ sở dữ liệu chữ viết tắt
• Hệ thống tra cứu chữ viết tắt