OCR หรือ Optical Character Recognition เป็นเทคโนโลยีที่ใช้แปลงชนิดต่าง ๆ ของเอกสาร อาทิ เอกสารที่สแกน ไฟล์ PDF หรือภาพที่ถ่ายด้วยกล้องดิจิตอล เป็นข้อมูลที่สามารถแก้ไขและค้นหาได้
ในขั้นตอนแรกของ OCR ภาพของเอกสารข้อความจะถูกสแกน ซึ่งอาจจะเป็นภาพถ่ายหรือเอกสารที่สแกน จุดประสงค์ของขั้นตอนนี้คือการสร้างสำเนาดิจิตอลของเอกสาร แทนการถอดรหัสด้วยมือ เพิ่มเติม กระบวนการดิจิไทซ์นี้ยังสามารถช่วยเพิ่มอายุยาวนานของวัสดุเนื่อ งจากลดการจับจัดทรัพยากรที่เปราะบาง
เมื่อเอกสารถูกดิจิตอลไปแล้ว ซอฟต์แวร์ OCR จะแยกภาพออกเป็นตัวอักษรแต่ละตัวเพื่อจัดรูป นี้เรียกว่ากระบวนการแบ่งส่วน การแบ่งส่วนจะแยกเอกสารออกเป็นบรรทัด คำ แล้วค่อยแยกเป็นตัวอักษร การแบ่งแยกนี้เป็นกระบวนการที่ซับซ้อนเนื่องจากมีปัจจัยมากมายที่เข้ามาเกี่ยวข้อง -- แบบอักษรที่แตกต่างกัน ขนาดข้อความที่แตกต่างกัน และการจัดเรียงข้อความที่ไม่เหมือนใคร เพียงแค่นี้ยังมีอีก
หลังจากการแบ่งส่วน อัลกอริทึม OCR จะใช้การรู้จำรูปแบบเพื่อระบุตัวอักษรแต่ละตัว สำหรับแต่ละตัวอักษร อัลกอริทึมจะเปรียบเทียบกับฐานข้อมูลของรูปร่างตัวอักษร การจับคู่ที่ใกล้ที่สุดจะถูกเลือกเป็นตัวตนของตัวอักษร ในการรู้จำคุณสมบัติ ซึ่งเป็นรูปแบบอย่างหนึ่งของ OCR ที่ขั้นสูง อัลกอริทึมไม่เพียงแค่ศึกษารูปร่าง แต่ยังสนใจเส้นและเส้นโค้งในรูปแบบด้วย
OCR มีการประยุกต์ใช้ที่มีประโยชน์หลายอย่าง -- จากการดิจิทัลไซส์เอกสารที่พิมพ์ การเปิดใช้บริการอ่านข้อความอัตโนมัติ การปรับเปลี่ยนกระบวนการรับข้อมูลอัตโนมัติ ไปจนถึงการช่วยผู้ใช้ที่มีความบกพร่องทางการมองเห็นในการมีปฏิสัมพันธ์กับข้อความอย่างมากยิ่งขึ้น แต่ก็ควรทราบว่ากระบวนการ OCR ไม่ได้เป็นที่ถาวรและอาจทำความผิดพลาดได้โดยเฉพาะอย่างยิ่งเมื่อมีการจัดการเอกสารความละเอียดต่ำ แบบอักษรซับซ้อน หรือข้อความที่พิมพ์ไม่ดี ดังนั้น ความแม่นยำของระบบ OCR มีความแตกต่างกันอย่างมากขึ้นอยู่กับคุณภาพของเอกสารต้นฉบับและซอฟต์แวร์ OCR ที่ใช้เฉพาะสำคัญ
OCR เป็นเทคโนโลยีสำคัญในการฝึกฝนและการดิจิตอลในปัจจุบัน มันช่วยประหยัดเวลาและทรัพยากรอย่างมากโดยลดต้องการการป้อนข้อมูลด้วยมือและให้ทางเลือกที่น่าเชื่อถือ มีประสิทธิภาพในการแปลงเอกสารทางกายภาพเป็นรูปแบบดิจิตอล.
Optical Character Recognition (OCR) เป็นเทคโนโลยีที่ใช้ในการแปลงประเภทต่าง ๆ ของเอกสาร เช่น ผลงานที่สแกนด้วยกระดาษ PDF ไฟล์หรือภาพที่ถ่ายด้วยกล้องดิจิตอล ให้เป็นข้อมูลที่สามารถแก้ไขและค้นหาได้
OCR ทำงานโดยการสแกนภาพนำเข้าต่างๆหรือเอกสาร การแบ่งภาพออกเป็นตัวอักษรแต่ละตัว แล้วเปรียบเทียบแต่ละตัวอักษรกับฐานข้อมูลแบบรูปของตัวอักษรโดยใช้การจดจำรูปแบบหรือจดจำลักษณะ
OCR ถูกนำไปใช้ในหลายภาคและการประยุกต์ใช้ เช่น การเปลี่ยนเอกสา รที่พิมพ์ออกมาเป็นดิจิตอล การเปิดให้บริการอักษรเป็นเสียง การทำให้กระบวนการกรอกข้อมูลเป็นอัตโนมัติ และสนับสนุนผู้ที่มีความบกพร่องทางการมองเห็นให้สามารถสัมผัสปฏิสัมพันธ์กับข้อความได้ตรงตามความต้องการ
อย่างไรก็ตาม ทั้งที่เทคโนโลยี OCR ได้พัฒนามาอย่างมาก แต่ยังไม่มีความสมบูรณ์ การมีความแม่นยำมักจะขึ้นอยู่กับคุณภาพของเอกสารเดิมและรายละเอียดของซอฟต์แวร์ OCR ที่ใช้
ถึงแม้ว่า OCR ถูกออกแบบมาสำหรับข้อความที่พิมพ์ แต่ระบบ OCR ที่ระดับสูงบางระบบสามารถจดจำลายมือที่ชัดเจน สอดคล้องได้ อย่างไรก็ดี ทั่วไปแล้วการจดจำลายมือมีความแม่นยำน้อยกว่า เนื่องจากมีการผันแปรของรูปแบบการเขียนของแต่ละคน
ใช่ ซอฟต์แวร์ OCR หลายระบบสามารถจดจำภาษาหลายภาษา อย่างไรก็ตาม สำคัญที่จะต้องดูว่าภาษาที่ต้องการได้รับการสนับสนุนโดยซอฟต์แวร์ที่คุณใช้
OCR ย่อมาจาก Optical Character Recognition และใช้ในการจดจำข้อความที่พิมพ์ขณะที่ ICR หรือ Intelligent Character Recognition ที่ทันสมัยยิ่งขึ้นและใช้สำหรับการจดจำข้อความที่เขียนด้วยมือ
OCR ทำงานได้ดีที่สุดกับแบบอักษรที่ชัดเจน, สามารถอ่านได้ง่ายและมีขนาดข้อความมาตรฐาน ในขณะที่มันสามารถทำงานได้กับแบบอักษรและขนาดที่หลากหลาย แต่ความถูกต้องมักจะลดลงเมื่อจัดการกับแบบอักษรที่ไม่ปกติหรือขนาดข้อความที่เล็กมาก
OCR อาจพบปัญหากับเอกสารที่มีความละเอียดต่ำ, แบบอักษรซับซ้อน, ข้อความที่พิมพ์ไม่ดี, ลายมือ และเอกสารที่มีพื้นหลังที่แทรกซ้อนกับข้อความ นอกจากนี้ อย่างไรก็ตาม อาจใช้งานกับภาษาหลายภาษาได้ มันอาจไม่ครอบคลุมทุกภาษาอย่างสมบูรณ์
ใช่ OCR สามารถสแกนข้อความที่มีสีและพื้นหลังที่มีสี แม้ว่าจะมีประสิทธิภาพมากขึ้นด้วยสีที่มีความเปรียบเทียบความตัดกัน เช่น ข้อความดำบนพื้นหลังสีขาว ความถูกต้องอาจลดลงเมื่อสีข้อความและสีพื้นหลังไม่มีความคมชัดเพียงพอ
รูปแบบ Portable Pixmap (PPM) เป็นรูปแบบกราฟิกแบบแรสเตอร์ที่เรียบง่ายที่สุดแต่ทรงพลัง ซึ่งเกิดขึ้นเป็นส่วนหนึ่งของโครงการ Netpbm รูปแบบ PPM ซึ่งโดยเนื้อแท้แล้วตรงไปตรงมาในการออกแบบ ให้วิธีการแสดงภาพสีในแบบที่เรียบง่าย ซึ่งทำให้ทั้งมนุษย์และเครื่องจักรสามารถอ่านและเขียนได้อย่างไม่น่าเชื่อ จัดอยู่ในหมวดหมู่ของรูปแบบ Netpbm พร้อมกับ Portable Bit Map (PBM) สำหรับภาพขาวดำ และ Portable Gray Map (PGM) สำหรับภาพโทนสีเทา แต่ละรูปแบบเหล่านี้ได้รับการออกแบบมาเพื่อห่อหุ้มภาพที่มีความลึกของสีและความซับซ้อนในระดับต่างๆ โดย PPM เป็นรูปแบบที่ซับซ้อนที่สุดในบรรดารูปแบบเหล่านี้ในแง่ของการแสดงสี
รูปแบบ PPM กำหนดภาพในรูปแบบไฟล์ข้อความ ASCII แบบง่ายๆ (แม้ว่าการแสดงแบบไบนารีก็เป็นเรื่องปกติ) ซึ่งระบุข้อมูลสีพิกเซลในลักษณะที่ตรงไปตรงมา เริ่มต้นด้วย 'หมายเลขวิเศษ' ที่ระบุว่าไฟล์อยู่ในรูปแบบ ASCII (P3) หรือไบนารี (P6) ตามด้วยช่องว่ าง ขนาดของภาพ (ความกว้างและความสูง) ค่าสีสูงสุด จากนั้นจึงเป็นข้อมูลพิกเซลจริง ข้อมูลพิกเซลในไฟล์ PPM ประกอบด้วยค่าสี RGB โดยแต่ละส่วนประกอบมีช่วงตั้งแต่ 0 ถึงค่าสูงสุดที่ระบุ โดยปกติคือ 255 ซึ่งช่วยให้มีชุดค่าสีที่เป็นไปได้มากกว่า 16 ล้านชุดต่อพิกเซล
ข้อดีหลักอย่างหนึ่งของรูปแบบ PPM คือความเรียบง่าย โครงสร้างของไฟล์ PPM นั้นตรงไปตรงมาจนสามารถสร้างหรือแก้ไขได้อย่างง่ายดายด้วยเครื่องมือแก้ไขข้อความพื้นฐานเมื่ออยู่ในโหมด ASCII ความเรียบง่ายนี้ยังขยายไปถึงการประมวลผล การเขียนซอฟต์แวร์เพื่อแยกวิเคราะห์หรือสร้างภาพ PPM ต้องใช้ความพยายามน้อยที่สุดเมื่อเปรียบเทียบกับรูปแบบที่ซับซ้อนกว่า เช่น JPEG หรือ PNG การเข้าถึงนี้ทำให้ PPM เป็นตัวเลือกที่ได้รับความนิยมสำหรับงานการถ่ายภาพพื้นฐานในแวดวงการศึกษาหรือในหมู่นักเล่นงานอดิเรก และ เป็นก้าวแรกสำหรับผู้ที่เรียนรู้เกี่ยวกับการประมวลผลภาพหรือการเขียนโปรแกรมกราฟิกคอมพิวเตอร์
แม้จะมีข้อดี แต่รูปแบบ PPM ก็มีข้อจำกัดที่สำคัญที่เกิดจากความเรียบง่าย ข้อจำกัดที่สำคัญที่สุดคือการไม่มีกลไกการบีบอัดใดๆ ซึ่งส่งผลให้ไฟล์มีขนาดใหญ่กว่าไฟล์ในรูปแบบที่ซับซ้อนกว่า เช่น JPEG หรือ PNG อย่างมาก ซึ่งทำให้ PPM ไม่เหมาะสำหรับการใช้งานบนเว็บหรือแอปพลิเคชันใดๆ ที่พื้นที่จัดเก็บและแบนด์วิดท์เป็นปัญหา นอกจากนี้ รูปแบบ PPM ยังไม่รองรับรูปแบบใดๆ ของความโปร่งใส เลเยอร์ หรือเมตาดาต้า (เช่น โปรไฟล์สีหรือข้อมูล EXIF) ซึ่งอาจจำกัดประโยชน์ใช้สอยในการออกแบบกราฟิกที่ซับซ้อนยิ่งขึ้นหรือเวิร์กโฟลว์การถ่ายภาพ
ในการสร้างหรือดูไฟล์ PPM สามารถใช้เครื่องมือต่างๆ ที่มีอยู่ในแพ็กเกจ Netpbm หรือผ่านเครื่องมือซอฟต์แวร์กราฟิกอื่นๆ จำนวนมาก ที่รองรับรูปแบบนี้ นักพัฒนาซอฟต์แวร์และนักวิจัยชื่นชมรูปแบบ PPM เนื่องจากใช้งานง่าย การแยกวิเคราะห์ไฟล์ PPM โดยเฉพาะในโหมด ASCII นั้นตรงไปตรงมา เนื่องจากเกี่ยวข้องกับการอ่านบรรทัดข้อความและตีความตามข้อกำหนดขั้นต่ำของรูปแบบ การเขียนซอฟต์แวร์ที่ส่งออกภาพ PPM อาจง่ายพอๆ กัน ทำให้เป็นตัวเลือกที่ยอดเยี่ยมสำหรับโปรเจ็กต์เริ่มต้นในหลักสูตรการเขียนโปรแกรมกราฟิกหรือสำหรับการสร้างต้นแบบอย่างรวดเร็ว
ในทางปฏิบัติ การทำงานกับไฟล์ PPM เกี่ยวข้องกับการทำความเข้าใจโครงสร้างของไฟล์อย่างลึกซึ้ง ไฟล์เริ่มต้นด้วยหมายเลขวิเศษ ('P3' สำหรับ ASCII หรือ 'P6' สำหรับไบนารี) ซึ่งตามด้วยอักขระช่องว่าง หลังจากหมายเลขวิเศษ ขนาดของภาพจะแสดงเป็นจำนวนเต็มสองจำนวนที่แสดงถึงความกว้างและความสูงของภาพตามลำดับ นอกจากนี้ยังคั่นด้วยช่องว่าง หลังจ ากขนาดแล้ว ค่าสีสูงสุดจะถูกระบุ ซึ่งกำหนดช่วงของค่า RGB ที่แต่ละค่าสามารถมีได้ ในกรณีส่วนใหญ่ ค่านี้คือ 255 ซึ่งหมายความว่าส่วนประกอบสีแต่ละส่วน (แดง เขียว และน้ำเงิน) สามารถอยู่ในช่วง 0 ถึง 255
หลังจากส่วนหัว ค่า RGB สำหรับแต่ละพิกเซลจะตามมา ในโหมด ASCII (P3) ค่าเหล่านี้จะเขียนเป็นข้อความธรรมดาเป็นตัวเลขแยกต่างหาก โดยแต่ละไตรรงค์ RGB แสดงถึงพิกเซลหนึ่ง พิกเซลจะจัดวางเป็นแถวจากซ้ายไปขวาและจากบนลงล่าง ในโหมดไบนารี (P6) ค่าสีจะแสดงในรูปแบบไบนารีที่กระชับกว่า ซึ่งแม้ว่าจะอ่านได้ยากกว่าสำหรับมนุษย์ แต่คอมพิวเตอร์สามารถแยกวิเคราะห์ได้อย่างมีประสิทธิภาพมากขึ้น ส่วนประกอบแต่ละส่วนของไตรรงค์ RGB มักจะเป็นไบต์เดียว ซึ่งนำไปสู่ไฟล์ที่มีการจัดระเบียบมากขึ้น ซึ่งแม้จะไม่มีการบีบอัด แต่ก็อ่านและเขียนได้เร็วกว่าเมื่อเทียบกับไฟล์ ASCII