Digitaalikameralla kuvatun tekstin tunnistaminen OCR-ohjelmalla
Digitaalikameralla kuvatun tekstin tunnistaminen OCR-ohjelmalla
Digitaalikameralla kuvatun tekstin tunnistaminen OCR-ohjelmalla
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
<strong>Digitaalikameralla</strong> <strong>kuvatun</strong> <strong>tekstin</strong><br />
<strong>tunnistaminen</strong> <strong>OCR</strong>-<strong>ohjelmalla</strong><br />
Mika Kallioja<br />
19.7.2001
<strong>Digitaalikameralla</strong> <strong>kuvatun</strong> <strong>tekstin</strong> <strong>tunnistaminen</strong> <strong>OCR</strong>-<strong>ohjelmalla</strong><br />
Työn tarkoitus<br />
Työn tarkoituksena oli määrittää digitaalikameran soveltuvuus <strong>OCR</strong>-ohjelmassa (Optical<br />
Character Recognition) käytettävien kuvien ottamiseen. Samalla suoritettiin vertailua<br />
skanneriin, ja yritettiin määrittää raja tunnistusprosentille, jonka yläpuolella automaattisen<br />
<strong>tekstin</strong>tunnistuksen käyttäminen on kannattavaa.<br />
Käytetty laitteisto<br />
Lasertulostin Brother<br />
Digitaalikamera<br />
Skanneri<br />
Skannaus- ja tunnistuskone<br />
HL-1270N, 1200×600 dpi<br />
Canon EOS D30<br />
UMAX Astra 1200s<br />
Hewlett Packard Kayak XU<br />
<strong>OCR</strong>-ohjelmana toimi OmniPage Pro 10.0, ja skannaamiseen käytettiin Vistascania ja<br />
Adobe Photoshop 5.0:aa.<br />
Testiarkit<br />
Testiarkit olivat kooltaan A4 (210*297 mm). Tekstin fontiksi valittiin Arial, koska se se on<br />
melko yksinkertainen ja suoraviivainen. Fontin koon vaikutusta tunnistusprosenttiin tutkittiin<br />
pistekokojen 14, 12, 10 ja 8 avulla.<br />
Kontrastin vaikutusta tutkittasessa käytettiin pistekokoja 16, 14, 12, 10 ja 8. Arkeissa oli<br />
myös kokoa 6x8 ruutua oleva taulukko, mutta tunnistusprosenttia Iaskettaessa se jätettiin<br />
tuloksista pois erittäin huonon menestyksen vuoksi. Kontrastia pienennettiin paperin<br />
taustaväriä muuttamalla. Taustaväreinä käytettiin valkoista sekä harmaan tasoja 25%,<br />
40%, 50% ja 80%.<br />
Esimerkit testiarkeista liitteissä 1 ja 2. Ensimmäisessä fontin kokona 12 pistettä ja toisessa<br />
kontrastina 75%.<br />
Kokeiden suorittaminen<br />
Kuvat otettiin digitaalikameralla normaalissa sisävalaistuksessa, eikä valaistusolosuhteisiin<br />
kiinnitetty sen enempää huomiota, sillä kamerassa oli salama. Kamera yritettiin kohdistaa<br />
ja tarkentaa mahdollisimman hyvin, vaikkakin se oli säädetty täysin automaattiseksi.<br />
Kameralla otetut kuvat olivat n. 1,3Mb:n kokoisia, ja ne tallennettiin JPEG-formaattiin.<br />
Kuvat siirrettiin tunnistuskoneeseen FTP-palvelimen kautta. Tunnistusohjelmassa<br />
alkuperäisen dokumentin asetteluksi valittiin single column ja tunnistetulle dokumentille<br />
Mika Kallioja, 19.7.2001<br />
2
<strong>Digitaalikameralla</strong> <strong>kuvatun</strong> <strong>tekstin</strong> <strong>tunnistaminen</strong> <strong>OCR</strong>-<strong>ohjelmalla</strong><br />
remove formatting. Tunnistetut dokumentit taIlennettiin Word-tiedostoiksi, jonka jälkeen ne<br />
tulostettiin ja virheelliset merkit laskettiin käsin. Näin toimittiin myös skannattujen kuvien<br />
kanssa. Fontin kokoa vaihdeltaessa skannaus suoritettiin ohjelman <strong>OCR</strong>-asetusten avulla<br />
ja kuva taIlennettiin JPEG-formaattiin, kun taas kontrastia muutettaessa arkit oli pakko<br />
skannata mustavalkoisina kuvina, jolloin tallennusformaattina oli TIFF.<br />
Tulokset<br />
Tutkittaessa fontin koon vaikutusta tunnistusprosenttiin paperidokumentti sisälsi 262 sanaa<br />
ja 2162 merkkiä. Tunnistettujen merkkien määrät ja tunnistusprosentit digitaalikameralla<br />
otetusta ja skannatusta kuvasta on esitetty taulukoissa 1 ja 2.<br />
Taulukko 1<br />
Tulokset digitaalikameralla.<br />
Fontti Sanoja Merkkejä Vääriä Tunnistus-%<br />
Arial 14 264 2163 5 99,8<br />
Arial 12 263 2125 133 93,8<br />
Arial 10 263 2088 279 87,1<br />
Arial 8 288 1983 525 75, 7<br />
14 pisteen fontilla kirjoitetun <strong>tekstin</strong> ohjelma siis tunnisti digitaalikameran kuvasta miltei<br />
täysin. Fonttikoon 12 tunnistusprosentti 93,8 oli periaatteessa vielä varsin hyvä, koska<br />
teksti oli kohtuullisen hyvin luettavissa. Fonttikoolla 10 tunnistusprosentti laski jo alle 90:n,<br />
jolloin tekstiä pystyi vielä ymmärtämään, mutta sen korjaaminen <strong>tekstin</strong>käsittelyohjelmassa<br />
olisi jo sangen rasittavaa ja veisi varmasti kauemmin kuin koko <strong>tekstin</strong><br />
uudelleenkirjoittaminen. Pienimmän fontin tunnistusprosentti oli jo niin alhainen, ettei<br />
tekstissä tuntunut olevan paljoakaan järkeä.<br />
Taulukko 2<br />
Tulokset skannerilla.<br />
Fontti Sanoja Merkkejä Vääriä Tunnistus-%<br />
Arial 14 266 2172 6 99,7<br />
Arial 12 263 2165 1 100,0<br />
Arial 10 263 2164 0 100,0<br />
Arial 8 263 2164 1 100,0<br />
Skannatuista kuvista ohjelma siis tunnisti <strong>tekstin</strong> melkein täydellisesti.<br />
Fontin koon vaikutus tunnistusprosenttiin on esitetty graafiseti kuvassa 1.<br />
Mika Kallioja, 19.7.2001<br />
3
<strong>Digitaalikameralla</strong> <strong>kuvatun</strong> <strong>tekstin</strong> <strong>tunnistaminen</strong> <strong>OCR</strong>-<strong>ohjelmalla</strong><br />
Kuva 1<br />
Fontin koon vaikutus tunnistusprosenttiin.<br />
Kontrastin vaikutusta tutkittaessa testiarkissa oli 323 sanaa ja 3275 merkkiä.<br />
Tunnistettujen merkkien määrät ja tunnistusprosentit on esitetty taulukoissa 3 ja 4.<br />
Tuloksista on siis jätetty testiarkissa olleen taulukon aiheuttamat virheet huomioimatta.<br />
Lähes mustalle taustalle kirjoitettua tekstiä ohjelma ei tunnistanut kummassakaan<br />
tapauksessa ollenkaan, ja antoi tulokseksi alkuperäisen kuvan. Tämän vuoksi tulosten<br />
käsittely rajataan neljään vaaleimpaan arkkiin.<br />
Taulukko 3<br />
Tulokset digitaalikameralla.<br />
Kontrasti (%) Sanoja Merkkejä Vääriä Tunnistus-%<br />
100 321 3176 404 87,7<br />
75 322 3170 473 85,6<br />
60 325 3198 513 84,3<br />
50 321 3220 700 78,6<br />
20 0 0 3275 0,0<br />
Testiarkissa oli siis käytetty suurimmaksi osaksi pientä fonttikokoa, mikä selittää<br />
huonohkon tunnistusprosentin digitaalikameran kuvasta täydelläkin kontrastilla. Kontrastin<br />
heikentämisellä ei näyttänyt olevan suurtakaan vaikutusta ennen 50%:n sävyeroa, jolloin<br />
tunnistusprosentti laski selvästi eniten ja tekstistä ei enää ymmärtänyt juuri mitään.<br />
Valkoiseltakin paperilta tunnistettua tekstiä oli aika vaikea lukea, ja uudelleenkirjoittaminen<br />
olisi varmasti pelkkää virheiden korjaamista helpompaa.<br />
Mika Kallioja, 19.7.2001<br />
4
<strong>Digitaalikameralla</strong> <strong>kuvatun</strong> <strong>tekstin</strong> <strong>tunnistaminen</strong> <strong>OCR</strong>-<strong>ohjelmalla</strong><br />
Taulukko 4<br />
Tulokset skannerilla.<br />
Kontrasti (%) Sanoja Merkkejä Vääriä Tunnistus-%<br />
100 321 3271 5 99,8<br />
75 323 3272 11 99,7<br />
60 232 3268 31 99,1<br />
50 327 3308 200 93,9<br />
20 0 0 3275 0,0<br />
Skannerilla saaduista kuvista ohjelma tunnisti <strong>tekstin</strong> lähes kokonaan vielä 60% sävyeroon<br />
asti, ja 50% kontrastin 200 virhettä on vielä kohtalaisen nopeaa ja helppoa korjata. Kuten<br />
digitaalikamerankin tapauksessa, tunnistusprosentti laski eniten 50%:n kohdalla.<br />
Kontrastin vaikutus tunnistusprosenttiin on esitetty graafisesti kuvassa 2.<br />
Kuva 2<br />
Kontrastin vaikutus tunnistusprosenttiin.<br />
Johtopäätökset<br />
Saatujen tulosten perusteella voidaan helposti todeta, ettei automaattinen <strong>tekstin</strong>tunnistus<br />
toimi tarpeeksi hyvin digitaalikameralla otettujen kuvien kanssa. Ainoastaan 14 pisteen<br />
kokoista Arial-fonttia ohjelma tunnisti hyvin. 12 pisteen kokoisella fontilla kirjoitetusta<br />
dokumentista saatu teksti oli vielä luettavaa, mutta virheitä tuli jo häiritsevä määrä. Tästä<br />
pienemmillä fonteilla teksti olikin jo vaikeaselkoista tai mahdotonta ymmärtää.<br />
Mika Kallioja, 19.7.2001<br />
5
<strong>Digitaalikameralla</strong> <strong>kuvatun</strong> <strong>tekstin</strong> <strong>tunnistaminen</strong> <strong>OCR</strong>-<strong>ohjelmalla</strong><br />
Kontrastin heikentäminen alkuperäisen <strong>tekstin</strong> ja paperin välillä laski luonnollisesti<br />
tunnistusprosenttia. Toisaalta testiarkissa oli käytetty kohtalaisen pientä fonttia, joten<br />
ohjelma ei tunnistanut digitaalikameran kuvasta valkoiseltakaan taustalta kuin 88%<br />
merkeistä, kun taas skannatusta kuvasta tunnistusprosentti oli lähes 100. Lähellä<br />
maksimia kontrastin heikentämisellä oli paljon pienempi vaikutus tunnistusprosenttiin kuin<br />
kontrastin ollessa 50%:n luokkaa. Tämä havaittiin sekä kameran että skannerin kuvilla.<br />
Kameralla tunnistusprosentti laski tällöin jo alle 80:n. Skannatusta kuvasta ohjelma tunnisti<br />
<strong>tekstin</strong> vielä 50%:n kontrastillakin varsin hyvin, mutta tuskinpa niin huonoa kontrastia<br />
mistään dokumentista edes löytyy.<br />
Digitaalikameran käyttö ei siis kannata ellei fontin koko ole kohtalaisen suuri, selkeälläkin<br />
fontilla vähintään 12-14 pistettä. Tunnistusohjelma kuitenkin toimii hyvin pienemmilläkin<br />
fonteilla, jos kuvat ovat skannattuja. Saatujen tulosten perusteella hieman yli 90 olevaa<br />
tunnistusprosenttia voitaisiin pitää rajana sille, että tunnistetun <strong>tekstin</strong> korjaaminen vielä<br />
olisi helpompaa ja nopeampaa kuin sen uudelleenkirjoittaminen. Toisaalta jos suuri<br />
tunnistusprosentti on aiheutunut käytetyn fontin suuresta koosta jolloin <strong>tekstin</strong> määrä ei ole<br />
suuri, saattaa olla nopeampaa kirjoittaa teksti itse uudestaan. Tunnistusprosentin ollessa<br />
85:n paikkeilla <strong>tekstin</strong> kokonaisidea vielä lukiessa selviää, mutta lukeminen on hidasta ja<br />
rasittavaa. Tunnistusprosentin laskiessa 75:een lukija voi korkeintaan tunnistaa tekstistä<br />
muutaman sanan mittaisia pätkiä.<br />
Alunperin oli tarkoitus myös tutkia valaistuksen, värikontrastin ja kameran<br />
kohdistustarkkuuden vaikutusta tunnistusprosenttiin, mutta koska <strong>tunnistaminen</strong> ei<br />
onnistunut tarpeeksi hyvin edes helpoissa tapauksissa, nämä jätettiin tekemättä.<br />
Mika Kallioja, 19.7.2001<br />
6
Liite 1<br />
Arial-fontin koon vaikutus <strong>OCR</strong>-ohjelman tunnistusprosenttiin<br />
MTV3 osaa jotkut asiat pelottavan hyvin.<br />
Tv-yhtiö osaa synnyttää kuumaa hypeä ohjelmiensa ympärille. Alkaneen, laihan<br />
uutiskesän mediapaukku on ollut Suuri seikkailu. Ohjelmaan on päässyt helposti<br />
mukaan, vaikkei olisi televisiota vaivautunut edes aukaisemaan. Päivästä päivään<br />
iltapäivälehdet vatvovat seikkailijoiden edesottamuksia. Ja viikkolehdet yhtyivät<br />
kuoroon saman tien. Miltä tuntuu, kun putosit? Miltä tuntuu, kun olet jatkossa? Mites<br />
nyt suu pannaan, kun kapteeni paljastui pahoinpitelijäksi? Kestääkö hermot?<br />
Palaako pinna? Haluatko lähettää terveisiä? Eiköhän tästä saa helposti kaavittua<br />
ainakin aukeaman kasaan.<br />
Monimediakonsepti osoittautui vielä monimediaisemmaksi kuin etukäteen oli<br />
annettu ymmärtää. MTV3 osaa jotkut asiat pelottavan huonosti. Ohjelmien<br />
sisällöistä yhtiö ei tunnu tajuavan höhhäsen pöläystä. Tai itse asiassa vieläkin<br />
surullisempaa. Ohjelmakonseptien kopioimisesta yhtiö ei tunnu tajuavan höhhäsen<br />
pöläystä. Tosi-tv on ollut jo parin vuoden ajan kova juttu maailmalla. Tiiseriksi<br />
omalle seikkailulleen Maikkari lähetti ylituotettua ja ylidramaattista jenkkinäkemystä<br />
aiheesta keväällä. Olisi luullut oppivan siitä jotain.<br />
Mutta ei. Mitä niitä minnekään etelänmerelle lähettämään. Posio saa kelvata. Mitä<br />
niille mitään ihmetehtäviä kehittämään. Kotikutoiset viritelmät saa kelvata. Mitä sitä<br />
nyt tähän ylipäätään satsaamaan.<br />
Otetaan vaikka se Taru Valkeapää juontamaan. Kyllä sitä ainakin äijät jaksaa<br />
katsella. Ja oikeassahan kanavapomot ovat. Mitä sitä tehdä asioita ajatuksella ja<br />
huolella, kun vähempikin riittää pitämään katsojat ruudun ääressä. Turha antaa<br />
kauhalla, kun lusikkakin riittää. Valveutuneelle katsojalle Suuri seikkailu on sangen<br />
kiusallinen kokemus. Tulee vaivautunut olo. Ei oikein tiedä pitäisikö kömpelölle<br />
ohjelmalle ja itsensä nolaaville kilpailijoille itkeä vai nauraa.<br />
Ei huolta, jos jostain syystä joudut katsomaan ohjelmaa, kuvittele ohjelman<br />
alkuteksteiksi kaksi sanaa: Julma Huvi. Johan ovat pojat taas vääntäneet loistavan<br />
parodian tosi-tv:stä. Mistä ne aina keksivätkin näin kutkuttavia juttuja. Aika<br />
vekkuleita.<br />
Teksti: Jari Saariaho
Liite 2<br />
ABCDEFGH IJKLMNOPQRSTUVWXYZÅÄÖ123456789<br />
abcdefghijklmnopqrstuvwxyzåäö123456789<br />
ABCDEFGH IJKLMNOPQRSTUVWXYZÅÄÖ123456789<br />
abcdefghijklmnopqrstuvwxyzåäö123456789<br />
ABCDEFGH IJKLMNOPQRSTUVWXYZÅÄÖ123456789<br />
abcdefghijklmnopqrstuvwxyzåäö123456789<br />
ABCDEFGH IJKLMNOPQRSTUVWXYZÅÄÖ123456789<br />
abcdefghijklmnopqrstuvwxyzåäö123456789<br />
MADRID. Ainakin 10 ihmisen on todettu sairastuneen legioonalaistautiin Espanjassa Murcian kaupungissa.<br />
Terveysviranomaisten mukaan tartunnan saaneita saattaa kuitenkin olla yli sata. Vaarallinen tauti on<br />
legionella-bakteerin aiheuttama. Legioonalaistauti ilmenee yleisimmin keuhkokuumeena ja se voi olla jopa<br />
tappava. Murcian sairaaloihin on tullut perjantaista alkaen hoitoon 117 ihmistä, joilla on todettu<br />
hengitysvaikeuksia. Suurin osa sairaalaan joutuneista on yli 50-vuotiaita.<br />
Terveysviranomaiset arvioivat, että tartunnoissa ei ole kysymys yksittäisistä tapauksista, vaan epidemiasta.<br />
Vielä useamman ihmisen arvellaan sairastuvan tautiin. Tarkastajat ovat testanneet alueen kahdeksaa<br />
ilmastointitornia, joita pidetään infektion mahdollisina lähteinä.<br />
Legioonalaistauti aiheutuu bakteerista, joka kulkeutuu veden mukana. Bakteeria tavataan ilmastointi- ja<br />
juomavesilaitteistoissa. Murcian kaupungin juomavedestä ei ole kuitenkaan löydetty legionella-bakteeria.<br />
STT<br />
Maailman suurimpiin kuuluva keinoniveltenvalmistaja, sveitsiläinen Sulzer Medica, on joutunut vaikeuksiin sen jälkeen kun lähes<br />
kaksituhatta sen valmistamaa lonkkaniveltä on osoittautunut viallisiksi. Niveliin on valmistusprosessissa jäänyt voiteluöljyä, minkä vuoksi<br />
ne eivät toimi niin kuin pitäisi. Ongelma havaittiin jo viime talvena. Sen jälkeen Sulzer Medican osakekurssi on rojahtanut neljäsosaan.<br />
Viime viikolla yhtiön keskeinen johtaja sai potkut. Sulzer Medicaa vastaan on jo nostettu noin 800 kannetta. Etenkin<br />
Yhdysvalloissa tällaisilla kanteilla haetaan ja usein saadaankin erittäin suuria korvauksia. Yhtiö joutuikin ilmoittamaan, ettei sen<br />
vakuutusturva mahdollisesti riitä kattamaan kaikkia tulossa olevia korvauksia. Näin ollen ongelmalla saattaa olla vaikutusta myös yhtiön<br />
tulokseen.<br />
Sulzer on keinonivelten johtavia merkkejä myös Suomessa. Maahantuojan, Kir-Fixin toimitusjohtajan Lea Purtilon mukaan<br />
ongelmallisia, Inter-op-nimisiä lonkkaniveliä ei ole tuotu Suomeen. Samaa sanoo myös paljon keinonivelleikkauksia tekevän HUS:n<br />
Kirurgisen sairaalan ortopediaylilääkäri Jarmo Vuorinen. Hänen sairaalassaan on asennettu runsaasti Sulzerin lonkkaniveliä, mutta he<br />
ovat tyyppiä CLS eikä niissä ole havaittu mitään ongelmia, pikemminkin päinvastoin. Vuorinen pitää CLS:ää markkinoiden<br />
kehittyneimpänä tuotteena. Lonkkaniveliä on markkinoilla kahta päätyyppiä. Sementtikiinnitteinen nivel maksaa Vuorisen mukaan<br />
4 000-6 000 markkaa ja ilman sementtiä kiinnittyvä 10 000-14 000 markkaa. Ensin mainittu on yleisempi, koska siitä on Vuorisen<br />
mukaan pitkäaikaisempi kokemus ja se on luotettava ja hyvä etenkin iäkkäälle potilaalle.<br />
Jyri Raivio / Helsingin Sanomat<br />
1 2 3 4 5 6 7 8<br />
9 10 11 12 13 14 15 16<br />
17 18 19 20 21 22 23 24<br />
25 26 27 28 29 30 31 32<br />
33 34 35 36 37 38 39 40<br />
41 42 43 44 45 46 47 48<br />
ABCDEFGH IJKLMNOPQRSTUVWXYZÅÄÖ123456789<br />
abcdefghijklmnopqrstuvwxyzåäö123456789<br />
ABCDEFGH IJKLMNOPQRSTUVWXYZÅÄÖ123456789<br />
abcdefghijklmnopqrstuvwxyzåäö123456789<br />
ABCDEFGH IJKLMNOPQRSTUVWXYZÅÄÖ123456789<br />
abcdefghijklmnopqrstuvwxyzåäö123456789<br />
ABCDEFGH IJKLMNOPQRSTUVWXYZÅÄÖ123456789<br />
abcdefghijklmnopqrstuvwxyzåäö123456789