HOCR - HOCR

hOCR je otevřený standard reprezentace dat pro formátovaný text získaný z optické rozpoznávání znaků (OCR). Definice kóduje text, styl, informace o rozložení, metriky spolehlivosti rozpoznávání a další informace pomocí Rozšiřitelný značkovací jazyk (XML) ve formě Hyper Text Markup Language (HTML) nebo XHTML.[1]

Software

Následující software OCR může odeslat výsledek rozpoznávání jako soubor hOCR:

Příklad

Následující příklad je výtažkem ze souboru hOCR:

...<p třída='ocr_par' jazyk='deu' titul=„bbox930“>  <rozpětí třída='ocr_line' titul=„bbox 348 797 1482 838; výchozí hodnota -0,009 -6“>    <rozpětí třída='ocrx_word' titul='bbox 348 805 402 832; x_wconf 93 '>Zemřít</rozpětí>     <rozpětí třída='ocrx_word' titul='bbox 421 804 697 832; x_wconf 90 '>Darlehenssumme</rozpětí>     <rozpětí třída='ocrx_word' titul='bbox 717 803 755 831; x_wconf 96 '>ist</rozpětí>     <rozpětí třída='ocrx_word' titul='bbox 773 803 802 831; x_wconf 96 '>v</rozpětí>     <rozpětí třída='ocrx_word' titul='bbox 821 803 917 830; x_wconf 96 '>ihrem</rozpětí>     <rozpětí třída='ocrx_word' titul='bbox 935 799 1180 838; x_wconf 95 '>ursprünglichen</rozpětí>     <rozpětí třída='ocrx_word' titul='bbox 1199 797 1343 832; x_wconf 95 '>Umfange</rozpětí>     <rozpětí třída='ocrx_word' titul='bbox 1362 805 1399 823; x_wconf 95 '>zu</rozpětí>     <rozpětí třída='ocrx_word' titul='bbox 1417 x_wconf 96'>ver-</rozpětí>   </rozpětí>  ...

Rozpoznaný text je uložen v normálních textových uzlech souboru HTML. Distribuce do samostatných řádků a slov je zde dána okolím rozpětí značky. Kromě toho se používají obvyklé entity HTML, například p značka odstavce. Další informace jsou uvedeny ve vlastnostech, jako jsou:

  • různé prvky rozvržení, například „ocr_par“, „ocr_line“, „ocrx_word“
  • geometrické informace pro každý prvek s ohraničujícím rámečkem "bbox"
  • informace o jazyce „lang“
  • některé hodnoty spolehlivosti "x_wconf"

Viz také

Reference

  1. ^ Breuel, T. (01.09.2007). "Mikroformát hOCR pro pracovní postup a výsledky OCR". Devátá mezinárodní konference o analýze a uznávání dokumentů (ICDAR 2007). 2: 1063–1067. doi:10.1109 / ICDAR.2007.4377078. ISBN  978-0-7695-2822-9.

externí odkazy