| Title: | An Automated Pipeline for Robust Image Processing and Optical Character Recognition of Historical Documents |
| Other Titles: | Automatizovaný proces pro robustní zpracování a optické rozpoznávání znaků historických dokumentů |
| Authors: | Gruber, Ivan Ircing, Pavel Neduchal, Petr Hrúz, Marek Hlaváč, Miroslav Zajíc, Zbyněk Švec, Jan Bulín, Martin |
| Citation: | GRUBER, I., IRCING, P., NEDUCHAL, P., HRÚZ, M., HLAVÁČ, M., ZAJÍC, Z., ŠVEC, J., BULÍN, M. An Automated Pipeline for Robust Image Processing and Optical Character Recognition of Historical Documents. In: Speech and Computer, 22nd International Conference, SPECOM 2019, St. Petersburg, Russia, October 7-9,2020, Proceedings. Cham: Springer, 2020. s. 166-175. ISBN 978-3-030-60275-8, ISSN 0302-9743. |
| Issue Date: | 2020 |
| Publisher: | Springer |
| Document type: | konferenční příspěvek conferenceObject |
| URI: | 2-s2.0-85092909562 http://hdl.handle.net/11025/42719 |
| ISBN: | 978-3-030-60275-8 |
| ISSN: | 0302-9743 |
| Keywords: | OCR, Klasifikace dokumentů, Digitalizace dokumentů |
| Keywords in different language: | OCR, Document classification, Document digitization |
| Abstract: | V tomto článku presentujeme proces předzpracování naskenovaných historických dokumentů do elektronické textové formy, která může poté být zindexována a uložena do databáze. Povaha dokumentů představuje velkou výzvu pro standardní automatizované techniky. Nejenže se jedná o kombinaci ručně psaných dokumentů a dokumentů psaných na stroji, ale dramaticky se liší i jejich kvalita a jednotlivé skeny často obsahují více než jen jednu stránku. Navíc, jazyk jednotlivých dokumentů se střídá převážně mezi ruštinou a ukrajinštinou, nicméně se v dokumentech vyskytují i úplně jiné jazyky. Tento článek se zaměřuje na segmentaci, klasifikaci typu dokumentu, a celkové předzpracování dokumentů. Nad výstupem těchto metod je pak otestován standardní OCR software a jeho úspěšnost je vyhodnocena na velmi jednoduché baseline úloze. |
| Abstract in different language: | In this paper, we propose a pipeline for processing of scanned historical documents into the electronic text form that could then be indexed and stored in a database. The nature of the documents presents a substantial challenge for standard automated techniques — not only there is a mix of typewritten and handwritten documents of varying quality but the scanned pages often contain multiple documents at once. Moreover, the language of the texts alternates mostly between Russian and Ukrainian but other languages also occur. The paper focuses mainly on segmentation, document type classification, and image preprocessing of the scanned documents; the output of those methods is then passed to the off-the-shelf OCR software and a baseline performance is evaluated on a simplified OCR task. |
| Rights: | Plný text není přístupný. © Springer |
| Appears in Collections: | Konferenční příspěvky / Conference papers (NTIS) Konferenční příspěvky / Conference Papers (KKY) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| Gruber2020_Chapter_AnAutomatedPipelineForRobustIm.pdf | 2,67 MB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/42719Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.