Guide to OCR for Indic Scripts: Document Recognition and Retrieval

تشخیص کاراکتر نوری (OCR) یک فناوری کلیدی است که برای ایجاد محتوای کتابخانه دیجیتال نمایه‌شده و دیجیتالی حیاتی است، و به ویژه برای اسکریپت‌های هندی، که دسترسی دیجیتالی بسیار کمی به آن‌ها وجود داشته است، ارزشمند است.

خط‌های هندی، خط‌های براهمی باستانی رایج در شبه قاره هند، چالش‌هایی را برای OCR ایجاد می‌کنند که با خط‌های لاتین و شرقی متفاوت است. اما اگر به درستی از OCR استفاده شود، با ایجاد نمایه های قابل جستجو و مخازن متنی قابل خواندن توسط ماشین، به آرشیوهای دیجیتال هندی عملاً برای محققان و کاربران عادی قابل دسترسی است.

این راهنمای/مرجع منحصربفرد اولین کتاب جامع در موضوع OCR برای خط‌های هندی است که مروری بر تحقیقات پیشرفته در این زمینه ارائه می‌کند. و همچنین سایر مسائل مربوط به تسهیل پرس و جو و بازیابی اسناد هندی از کتابخانه های دیجیتال. تمام گروه‌های تحقیقاتی اصلی که در این زمینه کار می‌کنند در این کتاب نشان داده شده‌اند که به بخش‌هایی درباره شناخت خط‌های هندی و بازیابی اسناد هندی تقسیم شده است.

موضوعات و ویژگی‌ها:

• شامل مشارکت‌های محققان برجسته در این زمینه است. LI>
• درباره ایجاد مجموعه داده برای توسعه OCR بحث می‌کند
• سیستم‌های OCR را توصیف می‌کند که هشت اسکریپت مختلف را پوشش می‌دهند: Bangla، دوانگاری، گورموکی، گجراتی، کانادا، مالایالام، تامیل، و اردو (فارسی-عربی)
• چالش‌های تشخیص دست خط هندی را در دامنه آنلاین بررسی می‌کند. LI>
• توسعه سیستم های ورودی متن مبتنی بر دست خط را بررسی می کند
• کار در حال انجام را برای افزایش دسترسی به هندی شرح می دهد. مطالب میراث فرهنگی
• بخشی را در مورد بهبود متن و تصاویر به دست آمده از دست نوشته های تاریخی برگ نخل هند ارائه می دهد
• تکنیک‌های مختلف را برای لکه‌بندی کلمات در خط‌های هندی بررسی می‌کند
• بازیابی اطلاعات یک‌زبانه و چند زبانه را در زبان‌های هندی بررسی می‌کند

این یک مرجع عالی برای محققان و دانشجویان تحصیلات تکمیلی است که در حال مطالعه فناوری و روش‌شناسی OCR هستند. این جلد به باز کردن میراث فرهنگی غنی هند که در میلیون‌ها سند باستانی و معاصر که موضوعاتی مانند علم، ادبیات، پزشکی، نجوم، ریاضیات و فلسفه را در بر می‌گیرد، کمک می‌کند.

Venu Govindaraju FIEEE FIAPR، استاد برجسته علوم و مهندسی کامپیوتر در دانشگاه بوفالو است. او بیش از 20 سال تجربه تحقیقاتی در زمینه تشخیص الگو، بازیابی اطلاعات و بیومتریک دارد. کار مهم او در زمینه تشخیص دست خط، هسته اصلی اولین سیستم تفسیر آدرس دست نویس مورد استفاده توسط خدمات پستی ایالات متحده بود.

Srirangaraj Setlur SMIEEE، است. دانشمند پژوهشی اصلی در دانشگاه بوفالو. او بیش از 15 سال تجربه تحقیقاتی در زمینه تشخیص الگو دارد که شامل کار با حمایت NSF در زمینه فناوری های OCR چند زبانه برای کتابخانه های دیجیتال و سایر برنامه ها می شود. کار او روی اتوماسیون پستی منجر به استفاده از فناوری توسط سرویس پست ایالات متحده و رویال میل در بریتانیا شده است.

Optical Character Recognition (OCR) is a key enabling technology critical to creating indexed, digital library content, and it is especially valuable for Indic scripts, for which there has been very little digital access.

Indic scripts, the ancient Brahmi scripts prevalent in the Indian subcontinent, present some challenges for OCR that are different from those faced with Latin and Oriental scripts. But properly utilized, OCR will help to make Indic digital archives practically accessible to researchers and lay users alike by creating searchable indexes and machine-readable text repositories.

This unique guide/reference is the very first comprehensive book on the subject of OCR for Indic scripts, providing an overview of the state-of-the-art research in this field as well as other issues related to facilitating query and retrieval of Indic documents from digital libraries. All major research groups working in this area are represented in this book, which is divided into sections on recognition of Indic scripts and retrieval of Indic documents.

Topics and features:

• Contains contributions from the leading researchers in the field
• Discusses data set creation for OCR development
• Describes OCR systems that cover eight different scripts: Bangla, Devanagari, Gurmukhi, Gujarati, Kannada, Malayalam, Tamil, and Urdu (Perso-Arabic)
• Explores the challenges of Indic script handwriting recognition in the online domain
• Examines the development of handwriting-based text input systems
• Describes ongoing work to increase access to Indian cultural heritage materials
• Provides a section on the enhancement of text and images obtained from historical Indic palm leaf manuscripts
• Investigates different techniques for word spotting in Indic scripts
• Reviews mono-lingual and cross-lingual information retrieval in Indic languages

This is an excellent reference for researchers and graduate students studying OCR technology and methodologies. This volume will contribute to opening up the rich Indian cultural heritage embodied in millions of ancient and contemporary documents spanning topics such as science, literature, medicine, astronomy, mathematics and philosophy.

Venu Govindaraju FIEEE FIAPR, is a Distinguished Professor of Computer Science and Engineering at the University at Buffalo. He has over 20 years of research experience in pattern recognition, information retrieval and biometrics. His seminal work on handwriting recognition was at the core of the first handwritten address interpretation system used by the U.S. Postal Service.

Srirangaraj Setlur SMIEEE, is a Principal Research Scientist at the University at Buffalo. He has over 15 years of research experience in pattern recognition that includes NSF sponsored work on multilingual OCR technologies for digital libraries and other applications. His work on postal automation has led to technology adopted by the U.S. Postal Service, and Royal Mail in the U.K.