OCR چيست؟
فرض كنيد كه ما متني را روي كاغذ داريم و ميخواهيم آن را وارد رايانه كنيم. اولين روشي كه به ذهن ميرسد اين است كه متن را به تايپيست بدهيم تا با كامپيوتر تايپ كند. اما آيا ميشود عين همان متن را وارد رايانه بكنيم تا نيازي به تايپ نباشد؟ البته دستگاه «اسكنر» ميتواند تصويري از آن متن را وارد رايانه كند، تا اينجا بخشي از مشكل ما حل شده است. اما رايانه كه نه عقلي دارد و نه «زبان» ميفهمد، نميتواند حروف و كلمات را از هم تشخيص دهد. مثلاً اگر از كامپيوتر بخواهيم به ما بگويد كه در متن اسكنشده كلمة «علي» چند بار آمده است، بيآنكه شرمنده شود، ميگويد نميتوانم تشخيص بدهم! در واقع اين «تصوير ديجيتالشده» بايد به «تصوير قابل پردازش» تبديل شود. موضوع اصلي OCR همين است. OCR سرنام اصطلاحي است كه صورت كامل آن در واژهنامههاي انگليسي به دو صورت آمده است:
1. Optical Character Recognition
2. Optical Character Reader
انواع OCR
در زبانهاي ديگر، به ويژه زبانهايي كه با حروف لاتيني نوشته ميشوند، سالهاست كه از OCR استفاده ميشود. اما در ايران تازه دو سه سالي است كه به فكر استفاده از OCR در زبان فارسي افتادهايم.
و اما OCR چند نوع است: يا تايپي است يا دستنويس. يعني يا بايد يك متن قبلاً تايپ شده را (مثل كتابها و روزنامههاي چندين سال قبل، يا حتي متني را كه فايل تايپي آن موجود نيست و فقط پرينت آن را داريم) وارد رايانه كنيم، يا متن دستنويس را.
متنهاي دستنويس هم به دو صورت «گسسته» و «پيوسته» وجود دارند: متن «دستنويس پيوسته» مثل همان چيزهايي است كه ما هرازگاهي كه دلمان تنگ ميشود روي كاغذ مينويسيم، يا يك نامه، يا يك قطعه شعر و ... اما متن «دستنويس گسسته» همان نوشتههايي است كه حروف آن جدا از هم و به صورت گسسته نوشته شدهاند، مثل نام و نامخانوادگي كه در فرمهاي آزمون ثبتنام، به صورت هر حرف داخل يك كادر، نوشته ميشوند.
طراحي OCR گسستة فارسي تقريباً در مراحل پاياني كار قرار دارد ولي، OCR پيوسته ظاهراً سالهاي زيادي كار ميبرد.
