ترجمه یافتن کلمه در اسناد تاریخی با استفاده از کتاب کد بدوی و برانامه­ نویسی پویا

توضیحات

 عنوان فارسی: یافتن کلمه در اسناد تاریخی با استفاده از کتاب کد بدوی و برانامه­ نویسی پویا

عنوان انگلیسی مقاله ترجمه شده:

Word spotting in historical documents using primitive codebook and dynamic programming

چکیده:

جستجوی کلمه و نمایه­سازی در مجموعه اسناد تاریخی یک مشکل چالش­ برانگیز است، زیرا حروف متن اغلب به دلیل تخریب و آثار گذشت زمان تحت تأثیر قرار گرفته­ اند. در این مقاله، ما یک رویکرد جدید برای جستجوی کلمه با استفاده از تجزیه خطوط متن به شکل­های هندسی اولیه و تطبیق رشته­ای ارائه می­دهیم. خطوط متن در ابتدا توسط یک فرآیند تقسیم­بندی جدا شده­اند. سپس، هر خط متن به عنوان دنباله­ای از برچسب­های ابتدایی که به حروف مشخص و یا بخش­هایی از حروف مطابقت دارد، توصیف می­گردد. این شکل­های هندسی اولیه از یک کتاب کد اشکال تولید شده از صفحات آموزشی گرفته شده از مجموعه، در نظر گرفته می­شوند. در طول نمایه­سازی و شاخص­ بندی، خطوط متن به رشته­هایی از شکل­های اولیه رونویسی شده و در فایل­هایی ذخیره شده­اند. برای این منظور، یک استراتژی نمایه­سازی کارآمد با استفاده از روش چند برچسبی و با ترکیب آنالیز دو مرحله­ای شکل­های هندسی اولیه: سطوح درشت و سطوح ریز، استفاده شده است. در طول بازیابی، تصویر کلمه پرسش به رشته­هایی از شکل­های هندسی درشت و ریز انتخاب شده از کتاب کد، کدگذاری شده است. در نهایت، یک روش برنامه­نویسی پویا مبتنی بر تطبیق رشته­ای تقریبی به منظور یافتن توالی هندسه­های مشابه در خطوط متن مجموعه در حال اجرا، استفاده شده است. ما ارزیابی تجربی بر مجموعه داده­ها از تصاویر مستند زندگی واقعی که از کتاب­های تاریخی مختلف جمع­ آوری شده­اند را ارائه می­دهیم. نتایج تجربی نشان می­دهد که این روش در جستجوی متن در اسناد به هم ریخته، قوی می­باشد.

کلمات کلیدی: جستجوی کلمه، نمایه ­سازی سند، تطبیق رشته ­ای تقریبی، درشت به ریز

1. مقدمه

جستجوی متن در یک سند تاریخی در جامعه تحقیقات آنالیز تصویری سند (DIA) به دلیل پیچیدگی و نیاز روز افزون برای تععین محتوای کتاب­های دیجیتالی، محبوب شده است. در سال­های اخیر، دیجیتالی کردن سندهای تاریخی در کتابخانه­ها، موزه­ها انجام شده است و این اطلاعات دیجیتالی از طریق پورتال­های وب در دسترس کاربران گذاشته شده است. با استفاده از این پورتال­ها، کاربران تنها به مشاهده صفحات دیجیتالی شده محدود شده­اند. جستجو بر اساس اطلاعات محتوایی (مانند کلمه) تنها در صورتی که صفحات متناظر رونویسی شده باشند، در دسترس است. در اسناد تاریخی، به دلیل تخریب ناشی از قدرت، کشش­ها، استفاده مکرر و غیره، شناخت حروف کار آسانی نیست. استخراج مناسب حروف در چنین اسنادی با هدف تشخیص دشوار است. تقسیم­بندی نادرست حروف شکسته و کم­رنگ شده هنوز هم یکی از عوامل اصلی برای تقسیم ­بندی مبتنی بر رویکردهای تشخیص است]1[. بیشتر روش­های تقسی م­بندی کلمه از آنالیز فضایی بین حروف استفاده می­کنند]2[. گاهی اوقات به علت فاصله غیر یکنواخت بین حروف و کلمات، تقسیم­بندی کامل کلمات دشوار است. همچنین، مشاهده شده است که برخی صفحات کتاب تاریخی شامل متن­هایی با فونت­های متفاوت هستند. بنابراین، روش تشخیص و تعیین باید در زمینه تقسیم­بندی قوی باشد تا با مشکل فونت­های مختلف مقابله کند. ما دو نمونه از تصاویر سند از مجموعه خود را در شکل 1 نشان می­دهیم که نمایانگر مشکلاتی است که در بالا ذکر شده­اند. رونویسی اتوماتیک متن انجام شده توسط سیستم­های OCR تجاری در دسترس در این کتاب­ها تا به حال رضایت­بخش نیست. همچنین، رونویسی دستی آرشیو با توجه به حجم زیاد داده­ها عملی نیست.

در هنگام پردازش اسناد تخریب­ شده، تکنیک­های جستجوی کلمه]3و7[، یک جایگزین برای OCR، برای جستجو کردن موارد ممکن از کلمات خاص، مفید هستند. این روش­ها نیازمند تشخیص تمام حروف کلمه سوال و یا کلمات هدف نیستند و در نتیجه قادر به بازیابی کلمه مشابه در حضور تحریف کوچک است. ویژگی­ها به طور کلی از تمام کلمه محاسبه شده­­اند و در نتیجه در این روش­ها توجه به ویژگی­های مشابه در تصاویر هدف است. یک گلوگاه این روش­های جستجو این است که بیشتر آن­ها نیازمند این هستند که مرحله   تقسیم­بندی کلمه قبل از تطبیق انجام گیرد. اگر کلمات به درستی تقسیم نشوند، ویژگی­ها در تصویر هدف مطابقت نخواهد کرد و در نتیجه این کلمات را نمی­توان بازیابی کرد. برای غلبه بر این مشکل، به تازگی برخی روش­های تقسیم­بندی آزاد]8و9[ ارائه شده است، اما هزینه محاسبه آن­ها بیش از حد بالا می­باشد که در یک برنامه واقعی برای جستجو استفاده شدند.

هدف از این کار، ارائه طرح نمایه­سازی کارآمد است که قادر خواهد بود که اطلاعات متن در آرشیوهای تاریخی را بهتر و سریع­تر جستجو کند. برای غلبه بر محدودیت OCR، ما پیشنهاد می­کنیم استفاده از پرسش توسط اصل مثال (QBE) به طوریکه تصویر پرسش کاربر می­تواند در حجم زیادی از اسناد تاریخی به خوبی جستجو شود. بازیابی اطلاعات متن سریع خواهد بود و به کاربر در جستجوی اطلاعات مرتبط کمک خواهد کرد توسط غلبه بر مشکلاتی که فرآیند OCRرا به کتاب­های تاریخی محدود می­کند. رویکرد پیشنهادی ما تلاش می­کند تا بر مشکلات روش­های جستجوی کلمه مبتنی بر تقسیم­بندی با نیازمند نبودن به تقسیم کل کلمه از قبل، غلبه کند. فقط، تقسیم­بندی خط متن که نسبتاً آسانتر است برای تقسیم­بندی طرح چاپ شده اسناد، در رویکرد ما در نظر گرفته شده است.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.