Reconocimiento ptico de caracteres

Reconocimiento ptico de caracteres

El Reconocimiento ptico de Caracteres (ROC), o generalmente como reconocimiento de caracteres, es un proceso dirigido a la digitalizacin de textos, los cuales identifican automticamente a partir de una imagen smbolos o caracteres que pertenecen a un determinado alfabeto, para luego almacenarlos en forma de datos, as podremos interactuar con estos mediante un programa de edicin de texto o similar. Con frecuencia es abreviado en textos escritos en el idioma espaol, utilizando el acrnimo a partir del ingls OCR. En los ltimos aos la digitalizacin de la informacin (textos, imgenes, sonido, etc ) ha devenido un punto de inters para la sociedad. En el caso concreto de los textos, existen y se generan continuamente grandes cantidades de informacin escrita, tipogrfica o manuscrita en todo tipo de soportes. En este contexto, poder automatizar la introduccin de caracteres evitando la entrada por teclado, implica un importante ahorro de recursos humanos y un aumento de la productividad, al mismo tiempo que se mantiene, o hasta se mejora, la calidad de muchos servicios.

Problemas con el Reconocimiento ptico de Caracteres (PLAY)

El proceso bsico que se lleva a cabo en el Reconocimiento ptico de Caracteres es convertir el texto que aparece en una imagen en un archivo de texto que podr ser editado y utilizado como tal por cualquier otro programa o aplicacin que lo necesite. Partiendo de una imagen perfecta, es decir, una imagen con slo dos niveles de gris, el reconocimiento de estos caracteres se realizar bsicamente comparndolos con unos patrones o plantillas que contienen todos los posibles caracteres. Ahora bien, las imgenes reales no son perfectas, por lo tanto el Reconocimiento ptico de Caracteres se encuentra con varios problemas: El dispositivo que obtiene la imagen puede introducir niveles de grises al fondo que no pertenecen a la imagen original. La resolucin de estos dispositivos puede introducir ruido en la imagen, afectando los pxeles que han de ser procesados. La distancia que separa a unos caracteres de otros, al no ser siempre la misma, puede producir errores de reconocimiento. La conexin de dos o ms caracteres por pxeles comunes tambin puede producir errores.

Esquema bsico de un algoritmo de Reconocimiento ptico de Caracteres

Todos los algoritmos de Reconocimiento ptico de Caracteres tienen la finalidad de poder diferenciar un texto de una imagen cualquiera. Para hacerlo se basan en 4 etapas: Binarizacin, Fragmentacin o segmentacin de la imagen, Adelgazamiento de los componentes y Comparacin con patrones.

Binarizacin
La mayor parte de algoritmos de ROC parten como base de una imagen binaria (dos colores) por lo tanto es conveniente convertir una imagen de escala de grises, o una de color, en una imagen en blanco y negro, de tal forma que se preserven las propiedades esenciales de la imagen. Una forma de hacerlo es mediante el histograma de la imagen donde se muestra el nmero de pixeles para cada nivel de grises que aparece a la imagen. Para binarizarla tenemos que escoger un umbral adecuado, a partir del cual todos los pixeles que no lo superen se convertirn en negro y el resto en blanco. Mediante este proceso obtenemos una imagen en blanco y negro donde quedan claramente marcados los contornos de los caracteres y smbolos que contiene la imagen. A partir de aqu podemos aislar las partes de la imagen que contienen texto (ms transiciones entre blanco y negro).

Reconocimiento ptico de caracteres

Fragmentacin o segmentacin de la imagen

Este es el proceso ms costoso y necesario para el posterior reconocimiento de caracteres. La segmentacin de una imagen implica la deteccin mediante procedimientos de etiquetado determinista o estocstico de los contornos o regiones de la imagen, basndose en la informacin de intensidad o informacin espacial. Permite la descomposicin de un texto en diferentes entidades lgicas, que han de ser suficientemente invariables, para ser independientes del escritor, y suficientemente significativas para su reconocimiento. No existe un mtodo genrico para llevar a cabo esta segmentacin de la imagen que sea lo suficientemente eficaz para el anlisis de un texto. Aunque, las tcnicas ms utilizadas son variaciones de los mtodos basados en proyecciones lineales. Una de las tcnicas ms clsicas y simples para imgenes de niveles de grises consiste en la determinacin de los modos o agrupamientos (clusters) a partir del histograma, de tal forma que permitan una clasificacin o umbralizacin de los pixeles en regiones homogneas.

Adelgazamiento de las componentes

Una vez aisladas las componentes conexas de la imagen, se les tendr que aplicar un proceso de adelgazamiento para cada una de ellas. Este procedimiento consiste en ir borrando sucesivamente los puntos de los contornos de cada componente de forma que se conserve su tipologa. La eliminacin de los puntos ha de seguir un esquema de barridos sucesivos para que la imagen contine teniendo las mismas proporciones que la original y as conseguir que no quede deforme. Se tiene que hacer un barrido en paralelo, es decir, sealar los pxeles borrables para eliminarlos todos a la vez. Este proceso se lleva a cabo para hacer posible la clasificacin y reconocimiento, simplificando la forma de las componentes.

Comparacin con patrones

En esta etapa se comparan los caracteres obtenidos anteriormente con unos tericos (patrones) almacenados en una base de datos. El buen funcionamiento del ROC se basa en gran medida a una buena definicin de esta etapa. Existen diferentes mtodos para llevar a cabo la comparacin. Uno de ellos es el Mtodo de Proyeccin, en el cual se obtienen proyecciones verticales y horizontales del carcter por reconocer y se comparan con el alfabeto de caracteres posibles hasta encontrar la mxima coincidencia. Existen otros mtodos como por ejemplo: Mtodos geomtricos o estadsticos, Mtodos estructurales, Mtodos Neuro-mimticos, Mtodos Markovianos o Mtodos de Zadeh.

Aplicaciones
Desde la aparicin de los algoritmos de Reconocimiento ptico de Caracteres han sido muchos los servicios que han introducido estos procesos para aumentar su rendimiento y otros que se basan completamente en estas tecnologas. A continuacin se muestran algunas de las ms destacables aplicaciones que utilizan el ROC.

Reconocimiento de texto manuscrito

Las dificultades que podemos encontrar a la hora de reconocer un texto tipografiado, no se pueden comparar con las que aparecen cuando queremos reconocer un texto manuscrito. El reconocimiento de un texto manuscrito contina siendo un desafo. Aunque el texto se compone bsicamente de caracteres individuales, la mayora de algoritmos ROC no consiguen buenos resultados, ya que la segmentacin de texto continuo es un procedimiento complejo.

Reconocimiento ptico de caracteres En el caso de reconocimiento de escritura manuscrita a la hora de correccin de exmenes, existe la posibilidad, aadiendo un listado de lxico (nombres y apellidos) de acercarse al 100% de acierto. A travs de las casillas de respuesta ICR se pueden reconocer palabras, como nombres de pases, nombres de regiones, marcas comerciales, en resumen, todo aquello que pueda ser integrado en una lista de palabras Lexico- este puede ir aumentndose segn necesidades. Por otro lado, se puede llegar a comprender una frase cuando la hemos terminado de leer. Esto implica una operacin de niveles morfolgicos, lxico y sintctico que se consigue mediante el reconocimiento del habla continua. Para llevar a cabo esa metodologa, se utilizan algoritmos robustos que utilizan una segmentacin previa, debido a que se obtiene automticamente con la descodificacin.

Reconocimiento de matrculas
Una de las aplicaciones son los radares. Estos deben ser capaces de localizar una matrcula de un vehculo con condiciones de iluminacin, perspectiva y entorno variables. En la etapa de segmentacin, se buscan texturas similares a la de una matrcula y se asla el rea rectangular que forma la matrcula. Finalmente, se aplica un proceso de clasificacin mltiple sobre el conjunto de pxeles pertenecientes a la matrcula, proporcionando una cadena de caracteres que se tienen que ajustar a un modelo conocido: el formato de una matrcula. Si aparece algn error, es corregido.

Indexacin en bases de datos

Con el gran aumento de informacin publicada que ha tenido lugar en los ltimos aos, cada vez son ms los mtodos que se utilizan para organizar todo este material almacenado en bases de datos. Uno de estos contenidos son las imgenes. Una de las formas ms corrientes de buscar imgenes es a partir de metadato introducidos manualmente por los usuarios. Actualmente han aparecido buscadores que proporcionan la posibilidad de buscar imgenes mediante el texto que aparecen en ellas, como el buscador DIRS(Document Image Retrieval System) que, mediante un algoritmo de Reconocimiento ptico de Caracteres, extrae el texto que aparece en la imagen y lo utiliza como metadato que podr ser utilizado en las bsquedas. Esta tecnologa proporciona una posibilidad en la bsqueda de imgenes y demuestra que el ROC an puede dar mucho de s.

Reconocimiento de datos estructurados con ROC Zonal

Se usa para digitalizar de forma masiva grandes cantidades de documentos estructurados o semiestructurados (facturas, nminas, albaranes, plizas, justificantes bancarios, etc.), catalogando automticamente los documentos con los metadatos obtenidos y archivndolos en formato digital de forma indexada para facilitar su posterior bsqueda. Tiene el inconveniente de que es necesario disear previamente las plantillas, pero con una buena configuracin se ahorra mucho tiempo en el proceso de digitalizacin.

Reconocimiento ptico de caracteres

Software para el ROC

Captricity [1] (Unix, Windows, Mac OS) ROC Zonal Solamente ABBYY FineReader [2] (Unix, Windows, Mac OS) Adobe Acrobat Professional (Windows, Mac OS) BIT-Alpha (Windows) ExactScan Pro [3] (Mac OS) Office Gemini [4] Software de Digitalizacin (Mac OS) Neoptec (Windows, Mac OS, Unix) Nicomsoft OCR [5] (Windows, Unix) OCRKit [6] (Mac OS) Readiris (Unix, Windows, Mac OS) Scansoft Omnipage (Windows) GEXCAT (Windows, Mac OS, Unix)

Bibliografa
Acerca de ROC (tecnologa y software) [7] Soluciones OCR en la nube (Cloud Computing) [8] Instituto Tecnolgico de Informtica [9] Instituto Tecnolgico de Informtica: ITI OCR: Investigacin de Nuevas Tcnicas para ROC/ICR de Formularios Impresos y Manuscritos [10] Instituto Tecnolgico de Informtica: ITIOCR: Nuevas Funcionalidades en el Reconocimiento de Formularios Impresos y Manuscritos Dirigido [11] Instituto Tecnolgico de Informtica: ITI- ROC Proyecto de I+D para la Mejora de los Procesos de la Digitalizacin Masiva [12]

Referencias
[1] http:/ / info. captricity. com [2] http:/ / latam. abbyy. com/ finereader/ [3] http:/ / exactscan. de/ [4] http:/ / www. baseside. com/ software-producto/ diamond-vision [5] http:/ / www. nicomsoft. com/ products/ ocr/ [6] http:/ / ocrkit. com/ [7] http:/ / latam. abbyy. com/ finereader/ ocr?source=products [8] http:/ / latam. abbyy. com/ Default. aspx?DN=d2740918-c2fd-4fe6-a8b1-f0bd2816b561 [9] http:/ / www. iti. es/ media/ about/ docs/ tic/ 13/ articulo2. pdf [10] https:/ / observatorio. iti. upv. es/ resources/ project/ 58 [11] http:/ / www. iti. es/ lineas-i-d-i/ proyectos-de-investigacion/ 2010/ itiocr/ index. html [12] https:/ / observatorio. iti. upv. es/ resources/ new/ 12088

Fuentes y contribuyentes del artculo

Fuentes y contribuyentes del artculo

Reconocimiento ptico de caracteres Fuente: http://es.wikipedia.org/w/index.php?oldid=73039229 Contribuyentes: -jem-, 1appleaday, Abrahamsoigay, Aescolano, Airwolf, Alejandrocaro35, Axentria, Ayudandowiki2, BetoCG, Cgcalam, Comae, DPini, Dodo, Edoarado, Emijrp, Enric Naval, Esanchezg, FAR, Farisori, Fixertool, GM83, GermanX, Gulliberto, Hctor Guido Calvo, Infoviews, Isha, IsmaelLuceno, JMPerez, Jatt, Javierito92, Kaprak, Lema, Lluisanunez, Lucien leGrey, Mariola 18, Matdrodes, Mikel Gmez, Millars, Ninrouter, Pasa gay, Periku, Piju, Platonides, Plux, Sabbut, Sanbec, Snakefang, SuperBraulio13, Tano4595, Technopat, Tomatejc, Triku, Vlajet, 165 ediciones annimas

Licencia
Creative Commons Attribution-Share Alike 3.0 //creativecommons.org/licenses/by-sa/3.0/