Rút trích văn bản từ tập tin hình ảnh với Tesseract

TẠP CHÍ KHOA HỌC CÔNG NGHỆ SỐ 02/2014 
 41 
RÚT TRÍCH VĂN BN T8 T9P TIN HÌNH NH 
V;I TESSERACT 
TRƒN THANH PHƯ„C 
Khoa Công ngh
 Thông tin – Trng ðHCN Thc phm Tp.HCM 
TÓM TT 
Rút trích văn bản từ tập tin hình ảnh đang là một trong những bài toán quan trọng 
trong xử l ý ảnh hiện nay. Trong bài báo này, chúng tôi bước đầu tìm hiểu các phương pháp 
trích lọc văn bản từ hình ảnh của một số công trình liên quan đồng thời cũng tìm hiểu, hiệu 
chỉnh công cụ mã nguồn mở Tesseract để thực hiện trích lọc văn bản tiếng Anh từ tập tin 
hình ảnh. Kết quả thử nghiệm bước đầu cho thấy công cụ này rút trích khá tốt các văn bản 
từ tập tin hình ảnh chứa văn bản được đánh máy. 
Từ khóa: Rút trích văn bản, tập tin hình ảnh, Tesseract. 
EXTRACTING TEXT FROM IMAGE FILES USING TESSERACT 
ABSTRACT 
Extracting text from the image file is one of the important problems in image 
processing. In this paper, we initially study the methods of text extracting from images 
from a number of related works. Besides, we also learn and adjust the Tesseract, an open 
source tool, to perform extracting English texts from the image file. Initial test results show 
that this tool quite extracted the text from the image file containing the typed text. 
Key words: Extracting text, image files, tesseract. 
1. Gi
i thiu 
Hiện nay, nhu cầu về việc rút trích từ ngữ từ hình ảnh đang ngày càng phát triển, bên 
cạnh sự gia tăng về nhu cầu là sự phát triển của công nghệ nhận dạng ký tự quang học 
(Optical Character Recognition) hay còn được gọi tắt là OCR. Đây là một công nghệ giúp 
chuyển đổi hình ảnh của chữ viết tay hoặc đánh máy thành các ký tự đã được mã hóa trong 
máy tính. 
Giả sử chúng ta cần chỉnh sửa một số tài liệu giấy như: Các bài viết trên tạp chí, tờ 
rơi, hoặc một tập tin PDF hình ảnh. Rõ ràng, chúng ta không thể sử dụng một máy quét để 
chuyển các tài liệu này thành tập tin văn bản để có thể chỉnh sửa (ví dụ như trình soạn thảo 
Microsoft Word). Tất cả những gì máy quét có thể làm là tạo ra một hình ảnh hoặc một bản 
chụp của các tài liệu. Để giải nén và sử dụng lại dữ liệu từ tài liệu được quét, hình ảnh máy 
ảnh hoặc hình ảnh của các tập tin PDF, chúng ta cần một phần mềm OCR. Nó sẽ xuất ra kí 
tự trên hình ảnh, ghép chúng thành từ và sau đó ghép các từ thành câu. Nhờ vậy, chúng ta 
có thể truy cập và chỉnh sửa nội dung của tài liệu gốc. 
KHOA HỌC QUẢN LÝ 
 42 
Tương tự, những tài liệu cổ đang bị hư hại theo thời gian và việc viết tay hay đánh 
máy lại những tài liệu này sẽ tốn rất nhiều chi phí, thời gian và không đảm bảo được độ 
chính xác cũng như là sự an toàn cho tài liệu nền. Việc này rất cần một công nghệ lấy từ 
ngữ từ hình ảnh chụp. 
Trong bài báo này, chúng tôi sẽ tìm hiểu, chỉnh sửa công cụ Tesseract để thực hiện 
việc rút trích các văn bản từ tập tin hình ảnh. Bài báo được trình bày như sau: Phần 2, 
chúng tôi sẽ trình bày các công trình liên quan đến việc rút trích văn bản. Ở phần 3, chúng 
tôi sẽ trình bày công cụ Tesseract cũng như cách rút trích văn bản của công cụ này. Phần 
thử nghiệm sẽ được chúng tôi trình bày ở phần 4 và phần 5 sẽ trình bày kết luận. 
2. Công trình liên quan 
Có nhiều phương pháp để tạo ra một phần mềm dạng OCR, độ chính xác của các 
phương pháp này phụ thuộc vào công nghệ tạo nên phần mềm. Các phương pháp này đạt 
được độ tin cậy trong các hình ảnh có chất lượng tốt và vừa. 
Độ chính xác của việc rút trích văn bản là điều quan trọng nhất. Nhóm tác giả Kirill 
Safronov [1] cho rằng một số sai sót trong quá trình chuyển đổi thường không quá quan 
trọng trừ các trường hợp như rút trích số serial từ ảnh chụp,... 
Để khắc phục tình trạng kết quả xuất ra không chính xác của công nghệ OCR, nhiều 
công nghệ khác đã ra đời, tác giả A. Vinutha M H [2] đã ứng dụng định hướng robot 
(Optical Character Recognition Based Auto Navigation of Robot). Việc định hướng của 
robot dựa vào bảng tính hiệu như là một cột mốc đánh dấu đường đi tiếp theo của robot. 
Định hướng tự động của các robot trong một vùng lớn đòi hỏi nhiều bảng tín hiệu khác 
nhau với mô hình nhận dạng duy nhất. Ngoài ra, hệ thống này còn cho phép nhận diện vị 
trí tên riêng. 
Bên cạnh việc cải thiện độ chính xác, cần có sự thay đổi kích thước của thiết bị nhận 
dạng, tác giả Ali Ahmadi [3] đã đề cập trong nghiên cứu của mình, tốc độ xử lý và độ 
chính xác cao là yêu cầu lớn hiện nay của các thiết bị nhận dạng ký tự dạng nhỏ, ví dụ như 
bút biết nhận dạng. Nhưng dù có nhiều mặt hàng loại này được chào bán trên thị trường 
nhưng nó vẫn không đáp ứng nhu cầu sử dụng và kích thước thiết bị. 
Ngoài sự đa dạng trong cách thức nhận dạng, OCR còn đa dạng về cách dùng, nó 
được chia thành hai cách, dùng online và dùng offline, tác giả Priya Sharma [4] có nhận 
xét về hai cách dùng này như sau: (1) Nhận dạng offline: nhận dạng các văn bản in ra giấy 
hoặc các bản viết tay và nó đòi hỏi quá trình scan trên mặt giấy hoặc mặt vật liệu có chữ. 
Cách này thường đòi hỏi con người phải thực hiện một số thao tác như phân loại, lưu trữ 
và chỉnh sửa văn bản trước khi scan. (2) Nhận dạng online: thường chỉ được dùng cho 
nhận dạng chữ viết tay được lưu trữ ở dạng kỹ thuật số, thông thường để scan dạng này 
chúng ta thường dùng một loại bút đặc biệt nhưng do sự thành công của các nghiên cứu 
gần đây mà giờ đã có các thiết bị khác thay thế. Việc nhận dạng online nhằm giúp con 
người giao tiếp với máy tính tốt hơn bằng cách viết tay thay vì gõ phím. 
Trong bài báo này, chúng ta sẽ tìm hiểu về một công cụ OCR điển hình và là một 
trong những nền tảng quan trọng, đó là Tesseract. 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ SỐ 02/2014 
 43 
3. Rút trích văn b6n t… tBp tin hình 6nh v
i Tesseract 
3.1. GiJi thi7u Tesseract 
Tesseract là một công cụ OCR mã nguồn mở được nghiên cứu và phát triển bởi HP 
trong giai đoạn 1984-1994. Nó được biết như là một phần mềm thêm vào cho dòng sản 
phẩm máy quét của HP. Trong giai đoạn này, nó vẫn còn rất sơ khai và chỉ được dùng để 
cải thiện chất lượng của các bản in. Nó được phát triển cho đến năm 1994 thì ngưng. Sau 
khi được cải thiện độ chính xác, nó được HP đưa vào cuộc kiểm tra thường niên về độ 
chính xác của các công cụ OCR và nó đã thể hiện được sự vượt trội của mình. Kể từ năm 
2006, nó đã được cải thiện rộng rãi bởi Google. 
Tesseract hoạt động trên Linux, Windows (với VC + + Express hoặc Cygwin) và 
Mac OSX. Chúng ta có thể tải về tại địa chỉ  
3.2. C$u trúc c*a Tesseract 
Hình 1. C/u trúc cga Tesseract 
Tạo ngưỡng thích nghi giúp loại bỏ các yếu tố nền của hình ảnh (ví dụ như ánh sáng, 
bóng,) và giúp phân tích các pixel thành ảnh nhị phân. 
Nhận dạng được tiến hành qua một quá trình với hai lần nhận dạng. Lần thứ nhất: 
nhận ra lần lượt từng từ. Mỗi từ có nghĩa là đạt yêu cầu và được thông qua và được lưu vào 
dữ liệu. Lần thứ hai, khi phân loại thích ứng, công cụ sẽ nhận dạng lại các từ không được 
nhận dạng tốt ở lần trước đó. 
3.3. Xác ñnh dòng và tN 
Xác định dòng 
Mục đích của bước này là nhận dạng các dòng của các hình ảnh bị nghiêng, giúp 
giảm sự mất thông tin khi nhận dạng ảnh nghiêng. Các bộ phận quan trọng của quá trình 
KHOA HỌC QUẢN LÝ 
 44 
này là lọc dãy màu (còn được gọi là blobs) và xây dựng dòng. Bước này cũng giúp loại bỏ 
các văn bản có drop-cap. 
Thiết lập dòng cơ sở 
Khi dòng văn bản được tìm thấy, các dòng cơ sở được thiết lập chính xác hơn bằng 
cách sử dụng một đường có tên là spline toàn phương (là dòng mà được kết hợp từ nhiều 
đoạn). Nó giúp Tesseract xử lý các trang có đường cơ sở là đường cong. 
Các dòng cơ sở được thiết lập bằng cách phân vùng các blobs thành các nhóm có thể 
thay thế thích hợp liên tục trong đường cơ sở thẳng ban đầu. Một spline toàn phương được 
thiết lập cho phân vùng dày đặc nhất, (giả định là đường cơ sở) của một hình có phương ít 
nhất. Spline có lợi thế là tính toán ổn định, nhược điểm là sự gián đoạn có thể xảy ra khi 
nhiều phân đoạn spline được yêu cầu. 
Hình 2. Ví d# v$ mt ñư[ng cơ s dZng cong 
Cắt nhỏ từ 
Tesseract sẽ xác định xem có các ký tự dính với nhau trong một từ hay không. Nếu 
có nó sẽ cắt nhỏ các ký tự ra thành các ký tự riêng lẻ. 
Hình 3. Ví d# v$ c†t các ký t> bf dính 
Nhận dạng khoảng cách giữa chữ hoặc số 
Xác định khoảng cách giữa các số hoặc giữa các chữ là một vấn đề khá phức tạp. 
Tesseract giải quyết những vấn đề này bằng cách đo khoảng cách trong một phạm vi hạn 
chế theo chiều dọc giữa dòng cơ sở và dòng trung bình. 
Nhận dạng từ 
Quá trình nhận dạng một từ là quá trình phân tích một từ được chia ra thành các ký 
tự như thế nào. 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ SỐ 02/2014 
 45 
Hình 4. Quá trình nhBn dZng t… 
Khi kết quả xuất ra một từ mà nó không thỏa mãn nhu cầu thì Teseract cố gắng cải 
thiện kết quả này bằng cách cắt nhỏ các từ có nghĩa không tốt nhất. Nếu việc cắt nhỏ 
không làm tăng chất lượng từ thì nó sẽ phục hồi lại từ trước đó. 
4. Mt sN thh nghim 
Chúng tôi tiến hành thử nghiệm trên ba loại hình ảnh: Hình chụp từ chữ viết tay (1), 
hình chụp từ chữ đánh máy (2) và hình từ tập tin pdf (3). 
Hình chữ viết tay 
Hình 5. Mt ví d# v$ hình cha ch@ vit tay 
- Kết quả: 
JUDA$ 
PRIEST 
775758 
HOLA 
DIEGO 
12312 
387945 
- Tỉ lệ sai: 1/33 chiếm 3,03%. 
KHOA HỌC QUẢN LÝ 
 46 
Hình chữ đánh máy 
Hình 6. Mt ví d# v$ hình cha ch@ ñánh máy 
- Kết quả: 
ESTA67 
ES767 
UNA4567 
PRU EBA5887 
- Tỉ lệ sai: 1/28 chiếm 3,57% 
Hình ảnh tập tin.pdf 
Hình 7. Mt ví d# v$ hình dZng pdf 
- Kết quả: 
PREFACE 
This book is now In "5 mm edllmn Eden edmon has cormsponded In a d|f— 
teaenr phase rn me way camplllnt networks were used When the firs! edman ap 
peared in man. networks weae an academic cum: Iy When me second edmorr 
appeared In 1933. networks were used by unlvcrslues and large businesses When 
lhe nrrrd ednmn appeared in 1995, compuler networks. especially lhe Inrer-rrer, 
had 
become a duly reamy rar mrnmna cl penplc By lhe rrnrrnr edllmn. in 2003. wu':— 
less nclwmks and mohllc compumeus had become commonplace for accessing rhe 
Web and me unerrrer. Now, In [he mun edllkm, networks are about content 
u1bullan(espeda.I|y videos using cum and pecuopccr networks) and mobile 
phones are small mmpulers on the xnrerner 
TẠP CHÍ KHOA HỌC CÔNG NGHỆ SỐ 02/2014 
 47 
- Tỉ lệ sai trên 50% so với văn bản gốc. Văn bản càng dài độ chính xác càng giảm 
dần. 
5. Kt luBn 
Trong bài viết này, chúng tôi giới thiệu về công cụ OCR với mã nguồn mở - 
Tesseract. Công cụ này dùng để nhận dạng kí tự trên một tập tin hình và chuyển kí tự thành 
tập tin thành văn bản. Bên cạnh những ưu điểm vượt trội của mình, Tesseract cũng có một 
số những hạn chế như nhầm lẫn giữa chữ hoa và chữ thường, nhầm lẫn giữa các kí tự có 
hình dáng tương tự, đúng từ nhưng sai trong ngữ cảnh. 
Hướng tiếp theo, chúng tôi sẽ tiếp tục nghiên cứu để nâng cao chất lượng cho bài 
toán rút trích văn bản tiếng Anh từ tập tin hình ảnh, đồng thời bắt đầu nghiên cứu rút trích 
văn bản cho tiếng Việt có dấu. 
TÀI LIU THAM KHO 
1. Kirill Safronov: Optical Character Recognition Using Optimisation Algorithms. 
Institute for Process Control and Robotics (IPR) University of Karlsruhe Karlsruhe, 
Germany (2007). 
2. Vinutha MH, Sweatha KN and Sreepriya Kurup: Optical Character Recognition 
Based Auto Navigation of Robot (2013). 
3. Ali Ahmadi, Yoshinori Shirakawa, Md.Anwarul Abedin, Kazuhiro Takemura, 
Kazuhiro Kamimura, Hans Jürgen Mattausch, and Tetsushi Koide: Real-time Character 
Reconition System Using Associative Memory Base Hardware, Japan. 
4. Priya Sharm, Randhir Singh: Performance of English Character Recognition with 
and without Noise, India (2013).