Merhaba,

Tarayıcı dokumanları 1 bit yani siyah-beyaz tarıyor, haliyle renk
kodlarına bakabilme gibi bir imkanım yok. Bu taranmış tif dosyaları
dokuman arşivi oluşturmak amacıyla taranmış ve dosya isimleri elimdeki
veritabanı ile bağlantı kurabileceğim şekilde düzgün verilmiş, tek
uğraştıran konu dokumanın türünün bulunması. Dokumanlar hemen hemen
sabit ama bilgisayarda hazırlanan dokumanlar değil, çoğu matbu olarak
basılmış ve üzerine sonradan dot-matrix yazıcı ile doldurulmuş ve daha
sonra üzerinde bir sürü imza, kaşe vs. olan dokumanlar. Bazılarının
kalitesi çok kötü oluyor çünkü matbu formlarda arka planda renkler
şekiller var bunlar siyah-beyaz taranınca dokumanı bozuyor ama
dokumanların bu hali bile arşiv amaçlı saklamak için yeterli, sonuşta
fax kalitesinde olması yetiyor. Dokumanları tiplerini belirlemek için
daha önceden visual basic ile yazdığım programda ocr işleminden geçirip
her sayfa için artık OCR ne kadarını tanıdıysa bir string değişkene atıp
bunun içinde yalnız o dokumanda geçen keywordleri arattırıyordum. OCR
olarak MS office 2003 ile gelen ocr komponentini visual basic içinden
çalıştırıyordum, dokuman-sayfa-0012.tif dosyasını aç ocr yap çıkan
sonucu bana string olarak döndür sonra bu stringin içinden önceden
tanımlanmış keywordleri ara buna göre türünü tespit et gibi bir işlem
yapıyorum. Şimdi o eski VB ile yazılmış programı düzeltmeye devam etmek
yerine python ile aynı şeyi yapmaya çalışıyorum. Dokuman türünü tespit
için ocr kullanmak bana kötü bir yöntem gibi geliyor çünkü amacım
dokumandaki yazıları text olarak almak değil, yalnızca türünü tespit
etmek, bütün bir sayfayı ocr işleminden geöirmek de sayfa başına 15 ile
30 sn arası bir süre tutuyor bu da performans açısından çok sıkıntı
yaratıyor. Yalnızca dokuman türü tespiti için başka hangi yaklaşımlar
var bunu bulmaya çalışıyorum, bu dokuman tanımlamanın OCR gibi bir
kısaltması varsa google'dan aramalarımda kullanmak için bu işleme ne
isim veriliyor bilmek isterim.

Aydın ŞEN wrote:
> Daha önce java ile ile image işleme ile uğraşmıştım. Ayıracağınız
> döküman türelerinin sabit olduğunu varsayıyorum. Belgeleri ayırabilmek
> için referanslara ihtiyacınız var. İlk olarak aklıma gelen örneğin her
> image'in (10,10) boyutlarında bir alanının taranması (bu alan sizin
> belirlediğiniz, dosyaların birbirinden renk olarak farklı olduğu alanlar
> olmalı). Her dosya için bu alanların renk kodlarını belirlersiniz ve
> daha sonra karşılaştırma ile dökümanın türünü ayırt edebilirsiniz. Bu
> belirlediğiniz alanlarda değişken bir şey olmamalı, yazı falan gelmemeli
> üzerine. Eğer dökümanlarınızda referans alabileceğiniz böyle alanlar
> varsa bu yöntemle halledebilirsiniz diye düşünüyorum. Hele
> tarayıcınızdan dökümanların düz bir şekilde taranma garantisi varsa
> işiniz pek zor olmayacaktır.
>
> İlk olarak aklıma gelen çözüm bu.
>
> 2008/8/1 Timuçin Kızılay <tim_at_savaskarsitlari.org
> <mailto:tim_at_savaskarsitlari.org>>
>
> Merhaba,
>
> Linux-sunucu mail listesine bu mesajı yazmıştım. Liste üyelerinden
> bir arkadaş bu mail listesine yazmamı hatırlattı. Bu konu ile ilgili
> birşeyle söyleyebilecek var mı?
>
> -------------------------
> linux sunucu üzerinde python ile tif dosyalarını ocr işleminden
> geçirmek
> istiyorum. tif dosyaları ile uğraşmak için PIL (Python Imaging
> Library)
> kullanmaya çalıştım ama bu libray group4 sıkıştırmalı tif dosyalarını
> desteklemiyor, kullandığım network dokuman scanner cihazı da bu
> formatta
> sıkıştırma yapıyor. ZSI python library diye birşey buldum,
> bununla tif
> dosyalarını sayfalara ayırma vb. işlemlerini yapabiliyorum. Şimdi
> sıra
> geldi OCR işlemi ile bu tif dosyalarında belgelerin türlerini
> bulmaya.
> OCR ile dokumanları text'e çevirmek gibi bir ihtiyacım yok, zaten o
> dokumanlarda olan bilgilerin çoğu elimdeki bir veritabanında var,
> benim
> yapmaya çalıştığım OCR ile tif dosyalarını okutup bu dokumanların
> türlerini ayırabilmek, yani şu sayfa faturadır, bu sayfa
> makbuzdur, şu
> sayfa bilmemne formudur gibi çoğunlukla hep aynı formatta
> dokumanların
> türlerini ayırabilmek. Bunun için OCR doğru yöntem değil diye
> düşünüyorum ama aklıma başka yöntem gelmedi. Bu konuda ipucu
> verecek var
> mı?
> Bu projenin aynı işini yapan benzer bir projeyi 3 yıl önce windows
> üzerinde visual basic ile ve MS office içinden çıkan OCR library
> kullanarak halletmiştim ama aynı yazılımı linux sunucu üzerinde
> çalışacak şekilde python kullanarak yeniden yazmak istiyorum.
>
> -----------
>
> Sunucu listesi yerine programlama veya python listelerine gönderirseniz
> daha çok kişi yardımcı olacaktır.
>

_______________________________________________
Linux-programlama mailing list
Linux-programlama_at_liste.linux.org.tr
http://liste.linux.org.tr/mailman/listinfo/linux-programlama
Received on Fri 01 Aug 2008 - 14:26:08 EEST