A new segmentation approach to Uighur optic character recognition

Abstract

Optik Karakter Tanıma (OKT) belgere simdeki harfleri tanıma ve dijital metne çevirmektir. Karakter tanıma sistemleri konvensiyonel medyadan elektronik medyaya çevirmede yoğun kullanım alanı bulmuştur. İlk karakter tanıyıcı 1929 yılında mekanik makine olarak tasarlanmış ve patenti alınmıştır. 1940'lı yıllarında modern bilgisayarın icat edilmesiyle birlikte, otomatik karakter tanıma makinesi bilimsel araştırma ve ticari üretim alanında yoğun ilgi çekmiş ve 1950'li yıllarında ticari amaçla üretilen tanıma makineleri piyasaya girmiştir. 2001 yılında karakter tanıma servisi internet üzerinden temin edilmeye başlamışken, şimdi artık ücretsiz kullanabilmektedir. Ancak bu sistemler Latin alfabesi gibi bitişik olamayan karakterler üzerindeki tanıma problemleri için iyi çalışmaktadır. Bitişik yazılar üzerindeki tanıma problem daha az çalışılmış olup bazı dil karakterleri için henüz olgunlaşmamıştır. Mesela Latince, Japonca ve Çince karakter tanıma sistemleri karakterlerin bitişik olmayan izole özelliğinden dolayı olgunlaşmış sistemler olarak sayılmaktadır. Arapça karakter tanıma ise ilk olarak 1975 yılında çalışılmış olmakla birlikte hala aktif bir araştırma konusudur. Arapçanın böyle olmasının temel nedeni ise bitişik olarak yazılan veya basılan Arapça yazının segmentasyon işleminin başarılı olarak yapılamamasından kaynaklanmaktadır. Uygurca da Arap alfabesi temelindeki harflerle yazılan bir dildir ve bu konuda ilk çalışma 1996 yılında yapılmış olmakla birlikte mevcut system performansları Latin alfabesi düzeyinde değildir. Bunun nedeni de segmentasyon işleminin çok başarlı olamamasındandır. Bu çalışmada, Uygurca yazının segmentasyon işleminde gözlemlediğimiz bazı özellikleri ortaya koymuş ve segmentasyon işlemini daha kolay gerçekleştirime ve hatayı azaltma bakımından katkı sağladığını yaptığımız deneylerle gözlemlemiş bulunuyoruz. Sonraki sınıflandırma aşamasında, derin öğrenme yöntemini üç serikarakterli resime uygulama yoluyla tanıma gerçekleştirmiş ve deneylerle bunun performansı artırdığı görülmüştür. Aynı zamanda bu çalışmamız Arap alfabesi temelinde yazılan başka dil yazıları için de geçerli olacaktır.

Optic character recognition (OCR) is software that translates the image of writing to editable and researchable text in ASCII or Unicode format. OCR systems have possessed intensive research value and commercial exploitation because of its attribute to convert the text data from conventional media into electronic media. It's used place is also widened from several kinds of document processing in the office to supplement the attached program in machine vision research and developments. The first concept of the idea of OCR was put forward in 1929/ when the modern computer had not been created yet, was mechanical equipment which involved a photodetector, obtained the first patent on OCR. With the invention of digital computers in the middle of 1940, the OCR system absorbing more interesting in scientific (pattern recognition) research and commercial products area. A commercial OCR was available in 1950. In 2001, OCR systems began to provide online service on the internet and it is already free used techniques or software nowadays. However, those are only limited to OCR for a non-cursive script such as Latin script. For example, OCR systems for Latin, Japanese and Chinese are well developed because of the character of them are isolated which makes their OCR techniques easier to develop. The OCR techniques on the other language scripts including Arabic and Uighur have not been well developed compared to the OCR on Latin script. Arabic OCR, after publishing the first paper in 1975, a large number of research papers and technical reports have appeared and many new techniques have been developed, but it is still an open research field in OCR techniques due to the technical difficulties included by the cursive nature of Arabic script. Uighur alphabets, which were produced based on Arabic script, are the same difficulties and handicappers in research and developing Uighur OCR. In this work, we put up with some segmentation method in the Uighur OCR as well as Arabic OCR that it is easy at calculation design and time complexity. we have observed the sufficiency and productivity of this method by experiment. Then apply the deep learning approach in the classification stage to recognize the three consecutive characters as a unit. Meanwhile, we might assume that this segmentation method is also available to another Arabic script-based language.