Xây dựng hệ thống nhận dạng và dịch trên thiết bị di động

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ








PHẠM PHI HIỆU






XÂY DỰNG HỆ THỐNG NHẬN DẠNG VÀ DỊCH
TRÊN THIẾT BỊ DI ĐỘNG










LUẬN VĂN THẠC SỸ

Hà Nội - 2011

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ








PHẠM PHI HIỆU






XÂY DỰNG HỆ THỐNG NHẬN DẠNG VÀ DỊCH
TRÊN THIẾT BỊ DI ĐỘNG


Ngành: Công nghệ thông tin
Chuyên ngành: Công nghệ phần mềm
Mã số: 60 48 10

LUẬN VĂN THẠC SỸ

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS KIỀU VĂN HƯNG



Hà Nội - 2011



1
MỤC LỤC

DANH MỤC HÌNH VẼ 3
MỞ ĐẦU 5
CHƢƠNG 1 – TỔNG QUAN VỀ OCR 8
1.1. Giới thiệu về OCR 8
1.1.1. OCR là gì 8
1.1.2. Một số công nghệ, phần mềm OCR tiêu biểu 10
1.1.3. Một số khái niệm cơ bản 11
1.2. Các bƣớc cơ bản trong một hệ thống OCR 13
1.2.1. Thu nhận ảnh 13
1.2.2. Tiền xử lý ảnh 14
1.2.2.1. Nhị phân hóa ảnh 14
1.2.2.2. Chỉnh độ nghiêng và hướng 16

1.2.2.3. Giảm nhiễu 17
1.2.3. Phân tích bố cục 18
1.2.4. Tách dòng và từ 19
1.2.5. Huấn luyện và nhận dạng 20
1.2.6. Xử lý kết quả 21
CHƢƠNG 2 – CÁC CÔNG NGHỆ SỬ DỤNG TRONG HỆ THỐNG 22
2.1. Công nghệ Tesseract OCR 22
2.1.1. Giới thiệu về Tesseract OCR 22
2.1.2. Tesseract làm việc như thế nào? 24
2.1.3. Vấn đề tập huấn ngôn ngữ 26
2.2. Công nghệ Android 29
2.2.1. Giới thiệu về hệ điều hành android 29
2.2.2. Kiến trúc hệ thống 30
2.3. Mô hình client/server 33
2.3.1. Giới thiệu về mô hình client/server 33
2.3.2. Các kiến trúc client/server 34
2.3.2.1. Client/Server hai tầng 34
2.3.2.2. Client/server ba tầng 35
2.3.2.3. Client/server n-tầng 36
2.4. Công nghệ dịch thuật Google Translate 36
2.4.1. Xử lý ngôn ngữ tự nhiên 36
2.4.2. Dịch tự động 37
2.4.3. Dịch vụ dịch thuật trực tuyến Google Translate 40
CHƢƠNG 3 – HỆ THỐNG NHẬN DẠNG VÀ DỊCH TRÊN THIẾT BỊ DI ĐỘNG 42
3.1. Sơ đồ tổng quát của hệ thống 42
3.2. Ứng dụng trên client 43
3.2.1. Chức năng 43
3.2.2. Giao diện 43
3.3. Ứng dụng trên server 47
3.3.1. Chức năng tiền xử lý ảnh 48

3.3.2. Chức năng OCR 50
3.3.3. Chức năng hậu xử lý kết quả OCR 52
3.3.4. Chức năng sửa lỗi chính tả tự động 52
3.3.4.1. Hàm đánh giá minimum edit distance (MED) 53
3.3.4.2. Hàm đánh giá maximum số cặp ký tự giống nhau 53
3.3.5. Chức năng dịch sang ngôn ngữ khác 54
CHƢƠNG 4 – THỰC NGHIỆM VÀ ĐÁNH GIÁ 55

2
4.1. Thực nghiệm trên Tesseract engine 55
4.1.1. Tập mẫu thực nghiệm 55
4.1.2. Kết quả OCR 55
4.1.3. Nhận xét 56
4.2. Thực nghiệm trên một số hệ thống OCR khác nhau 57
4.2.1. Tập mẫu thực nghiệm 58
4.2.2. Kết quả 58
4.2.3. Nhận xét 58
KẾT LUẬN 59
TÀI LIỆU THAM KHẢO 61


3
DANH MỤC HÌNH VẼ

Hình 1.1: Ứng dụng OCR 8
Hình 1.2: Các đường cơ bản trong dòng text 12
Hình 1.3: Thành phần liên thông 4 và 8 13
Hình 1.4: Quy trình cơ bản trong một hệ thống OCR 13
Hình 1.5. Mô tả lược đồ mức xám 15
Hình 1.6. Phân ngưỡng trên lược đồ mức xám 15

Hình 1.7. Kết quả chọn ngưỡng xám theo phương pháp Otsu 16
Hình 1.8. Ảnh văn bản trước và sau khi chỉnh nghiêng 16
Hình 1.9. Ảnh văn bản trước và sau khi chỉnh hướng đúng 17
Hình 1.10. Các vùng nhiễu trên ảnh văn bản 17
Hình 1.11. b-Cấu trúc vật lý; c,d-Cấu trúc lôgic 19
Hình 2.1. Kiến trúc Tesseract 24
Hình 2.2. Ảnh trước và sau phân tích bố cục 24
Hình 2.3. Fitting cap line, mean line, baseline, descent line 25
Hình 2.4. Ví dụ bổ fixed pitch thành các ký tự 25
Hình 2.5. Sự khác nhau trong khoảng các từ 25
Hình 2.6. Các thành viên của "Liên minh di động mở" 29
Hình 2.7. Kiến trúc Android OS 30
Hình 2.8. Mô hình client/server 33
Hình 2.9. Mô hình kiến trúc client/server 2 tầng 35
Hình 2.10. Mô hình kiến trúc client/server 3 tầng 35
Hình 2.11. Dịch vụ dịch thuật online Google translate 40
Hình 2.12. Các ngôn ngữ Google Translate hỗ trợ dịch 40
Hình 3.1. Sơ đồ hệ thống nhận dạng và dịch trên thiết bị di động 42
Hình 3.2. Giao diện chính chương trình client 43

4
Hình 3.3. Giao diện tab image 44
Hình 3.4. Ảnh chụp ở chế độ chụp “full mode” 44
Hình 3.5. Ảnh chụp ở chế độ chụp “block mode” 45
Hình 3.6. Chương trình đang chờ xử lý 45
Hình 3.7. Giao diện thiếp lập tùy chọn 45
Hình 3.8. Giao diện tab OCR Result 46
Hình 3.9. Giao diện tạo liên hệ mới 46
Hình 3.10. Giao diện gửi SMS 47
Hình 3.11. Giao diện tìm kiếm và hiển thị thông tin 47

Hình 3.12. Ảnh có bố cục và phân bố màu sắc phức tạp 48
Hình 3.13. Ảnh gốc sau khi nhị phân hóa và làm sạch 49
Hình 3.14. Các ảnh con cắt ra từ ảnh gốc 50
Hình 3.15. Kết quả OCR trên ảnh gốc 50
Hình 3.16. Kết quả OCR trên các ảnh con 50
Hình 3.17. Định nghĩa hàm OcrFromImage() 51
Hình 4.1. Kết quả thực nghiệm OCR với Tesseract engine 55
Hình 4.2. Kết quả thực nghiệm OCR trên 4 hệ thống khác nhau 58












5
MỞ ĐẦU

Đặt vấn đề

Từ lâu con người đã quen với việc sử dụng máy tính để lưu trữ những tài
liệu cần thiết, xuất phát từ những tiện ích to lớn do máy tính mang lại: lưu trữ
khối dữ liệu lớn, ít bị hư hỏng, dễ quản lí, dễ tìm kiếm, dễ chỉnh sửa Tuy nhiên
giấy vẫn là một vật liệu quan trọng đã, đang và sẽ được sử dụng để lưu trữ tài
liệu vì sự cần thiết của nó trong cuộc sống hàng ngày (ví dụ sách, báo ). Một

nhu cầu tất yếu, con người muốn đưa các tài liệu đang lưu trữ trên giấy (cũng
như trên một số vật liệu khác) lên máy tính để có thể làm việc với chúng một
hiệu quả hơn. Một cách thông thường, con người sẽ đánh máy trực tiếp các tài
liệu đó lên máy tính. Đối với một số lượng nhỏ tài liệu, việc này hoàn toàn bình
thường. Song đối với một khối lượng tài liệu khổng lồ (ví dụ như cả kho sách),
đây là một vấn đề nan giải; mặc dù với việc đánh máy độ chính xác rất cao
nhưng lại tốn quá nhiều thời gian, trong khi với các công nghệ hiện có cho phép
ta giải quyết vấn đề này: chụp ảnh tài liệu và nhận dạng ký tự trong ảnh.

Nhận dạng ký tự quang học (tiếng Anh: Optical Character Recognition,
viết tắt là OCR)[20] là quá trình rút trích ký tự trong ảnh cho ra dưới dạng văn
bản để có thể lưu trữ, chỉnh sửa và tìm kiếm được. Lĩnh vực OCR là một nhánh
trong ngành khoa học xử lý ảnh, tuy còn mới mẻ so với nhiều lĩnh vực khoa học
khác nhưng nhanh chóng đã đạt được nhiều bước tiến quan trọng. Xuất phát từ
nhu cầu thực tế là đưa các tài liệu lưu trữ trên giấy vào máy tính mà không phải
đánh máy, nhiều công nghệ OCR ra đời (phát hành dưới dạng sản phẩm thương
mại, miễn phí hoặc nguồn mở) đã và đang ứng dụng rộng rãi trong các lĩnh vực
liên quan đến việc nhận dạng. Với sự đầu tư mạnh mẽ và nghiên cứu liên tục của
các cá nhân tổ chức, kết quả nhận dạng trong lĩnh vực OCR ngày càng được cải
thiện, đặc biệt sự nhận dạng ký tự Latinh đánh máy có thể tiến tới tỉ lệ chính xác
100%. Ngoài công nghệ nhận dạng ký tự quang học OCR thì hiện nay còn có
thêm nhiều cơ chế nhận dạng tiêu biểu khác được ứng dụng vào thực tế như:
nhận dạng ký tự thông minh (Intelligent Character Recognition, viết tắt ICR),
nhận dạng vùng đánh dấu (Optical Mark Recognition, viết tắt OMR), nhận dạng
chữ mực từ (Magnetic Ink Character Recognition, viết tắt MICR), nhận dạng mã
vạch (Barcode Regconition).

Chúng ta thường thực hiện công việc nhận dạng trực tiếp trên máy tính:
dùng các thiết bị thu ảnh để scan, chụp ảnh các tài liệu và đưa các ảnh đó lên
máy tính rồi chạy ứng dụng nhận dạng đã cài đặt. Điều này hầu như chỉ thực

6
hiện được khi chúng ta làm việc ở nhà, ở cơ quan với chiếc máy tính bên cạnh.
Tuy nhiên nhu cầu OCR của chúng ta có thể xuất hiện mọi lúc mọi nơi, ví dụ
muốn lưu nhanh thông tin trong một name card mà người bạn đưa cho vào điện
thoại mà không phải nhập bằng tay. Song chúng ta không thể lúc nào cũng mang
bên mình máy scan, máy ảnh cũng như máy tính để hỗ trợ cho việc OCR. Chưa
kể đôi khi chúng ta muốn dịch nhanh một bảng chỉ dẫn bằng tiếng nước ngoài
mà không có từ điển bên cạnh. Một khó khăn nữa là các ứng dụng OCR hiệu
quả cho công việc của chúng ta lại đa phần được tung ra dưới dạng thương mại,
muốn sử dụng phải mất một chi phí không nhỏ. Chính những sự bất tiện thực tế
trên, vấn đề đặt ra là phải có những hệ thống phần cứng-phần mềm nhỏ gọn, di
động nhưng vẫn thực hiện một cách linh hoạt và hiệu quả các chức năng chụp
ảnh tài liệu, OCR trên ảnh đã chụp và dịch kết quả ra ngôn ngữ khác.

Hiện nay công nghệ mạng internet phát triển mạnh mẽ, internet có mặt
hầu hết khắp nơi trên thế giới. Công nghệ di động phát triển vượt bậc, việc sử
dụng điện thoại bùng nổ, điện thoại di động trở thành mặt hàng bình dân mà ai
cũng có thể sở hữu được. Nhiều công nghệ OCR tiên tiến được đưa ra dưới dạng
mã nguồn mở và được các công ty, tổ chức lớn tài trợ phát triển. Với nền tảng
công nghệ hiện có ở trên đã tạo ra nhiều giải pháp để xây dựng được nhiều hệ
thống có khả năng đáp ứng cao với vấn đề đặt ra.

Mục tiêu nghiên cứu

Với mong muốn tìm hiểu về lĩnh vực và một số công nghệ OCR tiên tiến,
đồng thời mong muốn góp phần vào kho ứng dụng OCR hiện có một sản phẩm
nguồn mở mới: một hệ thống trên thiết bị di động giúp con người có thể thu ảnh,
rút trích thông tin trong ảnh, dịch kết quả ra ngôn ngữ mong muốn và quản lý
các thông tin ấy trên thiết bị di động. Thiết bị di động được chọn là điện thoại di

động chạy hệ điều hành nguồn mở Android. Và từ đó luận văn lựa chọn đề tài
nghiên cứu “Xây dựng hệ thống nhận dạng và dịch trên thiết bị di động”.

Nội dung nghiên cứu

Về mặt lý thuyết:
- Nghiên cứu tổng quan về lĩnh vực OCR, các thành phần trong một
hệ thống OCR cơ bản.
- Nghiên cứu công nghệ mã nguồn mở Tesseract.
- Nghiên cứu công nghệ mã nguồn mở Android.
- Nghiên cứu mô hình client/server.
- Nghiên cứu công nghệ dịch Google Translate.
- Nghiên cứu phương pháp sửa lỗi chính tả tự động.

7

Về mặt thực hành:
- Nghiên cứu xây dựng ứng dụng web service chạy trên server : sử
dụng nguồn mở của Tesseract để tạo ra module có chức năng OCR
trên ảnh; sử dụng các hàm API do Google cung cấp để tạo ra
module có chức năng dịch văn bản sang ngôn ngữ tùy chọn. Web
service còn hỗ trợ chức năng hậu xử lý kết quả OCR và tự động sửa
lỗi chính tả trên ngôn ngữ tiếng Anh.
- Nghiên cứu xây dựng ứng dụng trên client: sử dụng Android SDK
để tạo ra ứng dụng chạy trên điện thoại Android có chức năng chụp
ảnh; gửi ảnh về server và nhận kết quả xử lý từ server trả về; quản
lý nội dung thông tin đã rút trích từ ảnh.

Bố cục luận văn

Ngoài phần mở đầu giới thiệu về mục tiêu, ý nghĩa, tình hình nghiên cứu
liên quan và phần kết luận tóm tắt những kết quả chính đạt được cũng như đưa
ra nhận xét; bố cục luận văn gồm 4 chương chính:

Chương 1: Trình bày kiến thức tổng quan về lĩnh vực OCR làm nền tảng
cho các nghiên cứu về sau.

Chương 2: Trình bày nội dung tìm hiểu về công nghệ mã nguồn mở
Tesseract OCR, công nghệ Android, mô hình client/server, công nghệ dịch
Google Translate. Các công nghệ, mô hình này được sử dụng để xây dựng hệ
thống.

Chương 3: Giới thiệu kiến trúc và các thành phần cơ bản của hệ thống
nhận dạng và dịch trên thiết bị di động đã xây dựng.

Chương 4: Trình bày kết quả thực nghiệm chức năng rút trích thông tin từ
ảnh của hệ thống cũng như so sánh một sách tương đối kết quả OCR với một số
hệ thống khác.




8
CHƢƠNG 1 – TỔNG QUAN VỀ OCR

1.1. Giới thiệu về OCR


Hình 1.1. Ứng dụng OCR[21]
1.1.1. OCR là gì

OCR (optical character recognition)[7] là lĩnh vực nhận dạng ký tự quang
học. Kỹ thuật này cho phép máy tính tự động nhận dạng ký tự thông qua cơ chế
quang học. Đối tượng của OCR là ảnh scan các tài liệu, sách, hoặc các video
liên quan. Mục tiêu của OCR là chuyển các nguồn tài liệu này sang các định
dạng có thể chỉnh sửa và tìm kiếm được.

Vào những những năm đầu của thế kỷ 20, các nhà khoa học đã quan tâm
nghiên cứu trong lĩnh vực OCR. Tuy nhiên kết quả lúc bấy giờ vẫn còn rất hạn
chế. Từ những năm 90 đến nay, OCR có những nghiên cứu mang tính đột phá,
kết hợp với những công nghệ tiến tiến của thời đại đã cho ra đời những hệ thống
OCR mạnh mẽ và hiệu suất cao.

9
Năm 1929, đã xuất hiện chiếc máy nhận dạng chữ số. Đến những năm đầu
của thập niên 1950, chiếc máy đầu tiên có khả năng chuyển tài liệu bản in thành
ngôn ngữ trên máy tính được phát minh bởi David Shepard, một chuyên gia về
giải mã làm việc cho cơ quan An Ninh quốc gia Hoa Kỳ. Năm 1955 khi
Reader‟s Digest mua lại công nghệ này, sản phẩm từ công nghệ OCR được đưa
ra thương mại hóa lần đầu tiên. Tuy nhiên mãi đến năm 1978, phiên bản OCR
cho máy tính mới được ra đời; ứng dụng đầu tiên của nó là dùng để tải những
văn bản luật và tin tức lên cơ sở dữ liệu trực tuyến. Ngày nay, công nghệ OCR
được kết hợp với máy scan tốc độ cao và những thuật toán máy tính phức hợp đã
làm gia tăng tốc độ xử lý cũng như sự chính xác của dữ liệu. Những công nghệ
OCR hiện tại đều có thể nhận dạng hầu hết các font chữ với độ chính xác cao,
một số còn hỗ trợ khả năng kết xuất ra những đoạn văn bản có định dạng gần
giống hoàn toàn với bản gốc[21].

Ngoài công nghệ nhận dạng ký tự quang học OCR thì hiện nay còn có
thêm nhiều cơ chế nhận dạng tiêu biểu khác[9] được ứng dụng vào thực tế như:

nhận dạng ký tự thông minh ICR (Intelligent Character Recognition), nhận dạng
vùng đánh dấu OMR (Optical Mark Recognition), nhận dạng chữ mực từ MICR
(Magnetic Ink Character Recognition) và cơ chế nhận dạng mã vạch (barcode).
Các công nghệ tiên tiến này đã hỗ trợ rất nhiều cho các tổ chức và doanh nghiệp
trong việc xử lý thông tin phát sinh xuyên suốt quá trình hoạt động. Những lĩnh
vực thường được ứng dụng các công nghệ nhận dạng trên là giáo dục, tài chính,
y tế, bảo hiểm, giao vận và ngay cả trong các tổ chức của chính phủ như thuế,
hải quan[21].

Công nghệ nhận dạng OCR đã tạo ra sự ảnh hưởng to lớn trong việc lưu
trữ, chia sẻ và chỉnh sửa thông tin. Trước đây, nếu chúng ta muốn chuyển một
quyển sách từ bản in sang bản điện tử thì cách duy nhất là ngồi nhập thủ công
toàn bộ quyển sách vào máy tính thông qua chương trình soạn thảo văn bản, và
điều này buộc chúng ta phải trả giá với một khoảng thời không nhỏ. Tuy nhiên,
ngày nay với sự phát triển vượt bậc của công nghệ thông tin, chỉ cần một máy
scan kết nối với một máy tính tích hợp sẵn phần mềm nhận dạng OCR, bằng
một vài thao tác đơn giản, toàn bộ quyển sách sẽ được chuyển thành tập tin đúng
như mong muốn của người sử dụng. Do đó có thể nói, công nghệ OCR đã giúp
người ta đến gần với nhiều dạng thông tin hơn, xóa bỏ nhiều rào cản về việc chia
sẻ nguồn tri thức của nhân loại.

Mặc dù không được sử dụng phổ biến và nhắc đến nhiều như các ngành
công nghiệp viễn thông, phần cứng hay phần mềm nhưng ngành công nghiệp

10
nhận dạng lại mang đến hiệu quả rõ ràng nhất khi được đưa vào ứng dụng trong
thực tế. Việc chuyển đổi thông tin từ tài liệu giấy sang tài liệu điện tử giúp nhiều
người dùng có thể truy cập thông tin một cách dễ dàng, cùng một lúc dù ở bất cứ
đâu mà không phải chờ đợi hoặc mất quá nhiều thời gian cho việc tìm kiếm.
Điều này cũng tạo cho công tác quản lý và bảo mật thông tin trở nên đơn giản

hơn khi tất cả những thay đổi hoặc ngày giờ truy cập thông tin đều được kiểm
soát chặt chẽ. Đối với các doanh nghiệp, các tổ chức, các cơ quan hành chính,
công nghệ OCR mang lại nhiều lợi ích kinh tế, tiết kiệm được những khoảng chi
phí không nhỏ như giảm thiểu không gian lưu trữ, giảm tối đa nguồn nhân lực
trong công tác quản lý thông tin.

Hiện nay nhiều ứng dụng OCR được đưa ra sử dụng dưới dạng offline
trên máy tính hoặc tích hợp và chạy online trên các thiết bị OCR chuyên dụng.
Đặc biệt các hệ thống OCR thời gian thực được chú trọng phát triển. Các kỹ
thuật nhận dạng hiện nay kết hợp rất hiệu quả với một số phương pháp luận
trong lĩnh vực học máy (machine learning) như mạng nơ ron, mô hình Markov
ẩn, SVM (supper vector machines), xử lý ngôn ngữ tự nhiên. Mặc dù được phát
triển mạnh mẽ, nhưng kết quả nghiên cứu trong lĩnh vực OCR cũng gặp phải
những trở ngại nhất định. OCR không bao giờ đạt tới tỷ lệ chính xác 100% trong
nhiều trường hợp. Các yếu tố ảnh hưởng nhiều đến kết quả OCR như chất lượng
ảnh đầu vào, bố cục ảnh, loại font chữ, các ký tự đặc biệt (ví dụ công thức toán
học), các dạng chữ viết phức tạp (như chữ Trung Quốc) và một số yếu tố khác.

1.1.2. Một số công nghệ, phần mềm OCR tiêu biểu

Lĩnh vực OCR hiện nay được rất nhiều cá nhân, tổ chức quan tâm nghiên
cứu, nhiều công nghệ OCR ra đời và được ứng dụng rộng rãi trong nhiều lĩnh
vực liên quan đến nhận dạng. Dưới đây liệt kê danh sách một số phần mềm
OCR tiêu biểu[17]:
Tên
Giấy phép
ABBYY FineReader
Proprietary
AnyDoc Software
Proprietary

Brainware
Proprietary
CuneiForm/OpenOCR
BSD variant
ExperVision TypeReader & RTK
Proprietary
GOCR
GPL
Image to OCR Converter
Proprietary
LEADTOOLS
Proprietary
Microsoft Office Document Imaging
Proprietary

11
Microsoft Office OneNote 2007
Proprietary
Nicomsoft CrystalOCR
Proprietary
Ocrad
GPL
OCRopus
GPL
OCRopus
Apache
OmniPage
Proprietary
Puma.NET
BSD

Readiris
Proprietary
ReadSoft
Proprietary
RelayFax
Proprietary
Scan2CAD
Proprietary
Scantron
Proprietary
SimpleOCR
Freeware and Commercial
SmartScore
Proprietary
Tesseract
Apache
Transym OCR
Proprietary


1.1.3. Một số khái niệm cơ bản

Pixel (Picture element)[2] : Ảnh trong thực tế là một ảnh liên tục về
không gian và giá trị về độ sáng. Ảnh cần phải số hóa để có thể xử lý ảnh bằng
máy tính. Trong quá trình số hóa ảnh người ta biến đổi tín hiệu liên tục thành tín
hiệu rời rạc thông qua quá trình lấy mẫu (rời rạc hóa về không gian) và lượng
hóa thành phần giá trị mà nguyên tắc mắt thường không phân biệt được hai điểm
kề nhau. Khái niệm Picture Element (ta quen gọi hay viết là pixel - phần tử ảnh,
điểm ảnh) được sử dụng trong quá trình này. Do vậy một ảnh có thể coi là một
tập các pixel. Ở đây cũng cần phân biệt khái niệm pixel hay đề cập đến trong các

hệ thống đồ họa máy tính. Để tránh nhầm lẫn ta tạm gọi khái niệm pixel này là
pixel thiết bị. Khái niệm pixel thiết bị có thể xem xét như sau: khi ta quan sát
màn hình (chế độ đồ họa), màn hình không liên tục mà gồm nhiều điểm nhỏ, gọi
là pixel. Trong ảnh 2 chiều, mỗi pixel gồm một cặp tọa độ x, y và màu.

Độ phân giải của ảnh(Resolution)[2]: chính là mật độ điểm ảnh được ấn
định trên một ảnh số được hiển thị. Theo định nghĩa, khoảng cách giữa các điểm
ảnh phải được chọn sao cho mắt người vẫn thấy được sự liên tục của ảnh. Việc
lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ
phân giải và được bố trí theo hai trục x, y trong không gian hai chiều. Đơn vị
cho độ phân giải là dpi (dots per inch).

12
Mức xám của ảnh: Mỗi điểm ảnh đều có một cường độ sáng. Mỗi mức
xám là kết quả của sự mã hóa tương ứng một cường độ sáng của mỗi điểm ảnh
với một giá trị số - kết quả của quá trình lượng hóa. Các thang giá trị mức xám
thông thường là 16, 32, 64, 128, 256, trong đó mức thông dụng nhất là 256, mỗi
pixel được mã hóa bởi 8 bit.

Ảnh nhị phân: Tùy theo giá trị mức xám của điểm ảnh mà các ảnh được
phân chia ra thành ảnh màu, ảnh xám hay ảnh nhị phân. Khi trên một ảnh chỉ có
giá trị 0 hoặc 1 thì ta nói đó là một ảnh nhị phân hay một ảnh đen trắng và các
điểm ảnh của nó gọi là điểm ảnh nhị phân.

Ảnh màu: hay còn gọi là ảnh RGB. Cách biểu diễn cũng tương tự như
ảnh đen trắng, chỉ khác là các số tại mỗi phần tử của ma trận biểu diễn cho ba
màu riêng lẻ gồm: đỏ (Red), lục (Green), lam (Blue). Để biểu diễn cho một điểm
ảnh màu cần 24 bit, 24 bit này chia thành 3 khoảng 8 bit. Mỗi khoảng này biểu
diễn cho cường độ sáng của một trong các màu chính tổ hợp của các màu ta
được nhiều mức biểu diễn, như vậy mỗi điểm ảnh có thể được mô tả rõ giá trị

màu tự nhiên của nó (true color).

Ảnh đa cấp xám: là ảnh có nhiều mức xám khác nhau. Thực tế chỉ ra rằng
bất cứ ứng dụng nào trên ảnh mức xám cũng được ứng dụng trên ảnh màu. Ta có
thể biến đổi ảnh màu về ảnh xám. Mỗi điểm ảnh màu gồm 3 giá trị (Red, Green,
Blue), nếu 3 giá trị này bằng nhau thì ta có ảnh xám (grey). Khi đó mỗi điểm
ảnh ta chỉ cần lưu 1 giá trị.

Các đường cơ bản trong dòng text

Hình 1.2. Các đường cơ bản trong dòng text

 Đường 1 (capline): là đường thẳng giới hạn chiều cao của đỉnh cao nhất
của một số chữ cái (ví dụ S, b,h,l ).
 Đường 2 (mean line): là đường thẳng ở giữa của một dòng chữ, giới hạn
chiều cao của các chữ bình thường (ví dụ u,a,r,n,….).
 Đường 3 (baseline): là đường thẳng thẳng nối các phần chân của hầu hết
các chữ cái trong dòng text, và bất kì một chữ nào cũng nằm trên một
đường này.
 Đường 4 (descent line) là đường thẳng giới hạn phần thấp của các chữ có
thể tạo ra trên một dòng (p,y,…).

13
 Khoảng cách giữa mean line và baseline là chiều cao cơ bản của một
dòng chữ, gọi là x-Height.

Thành phần liên thông (connected component): là tập hợp các pixel lân
cận nhau. Thành phần liên thông gồm thành phần liên thông 4 và thành phần
liên thông 8.

Hình 1.3. Thành phần liên thông 4 và 8

1.2. Các bƣớc cơ bản trong một hệ thống OCR

Hoạt động của một hệ thống OCR thông thường gồm các bước sau: thu
nhận ảnh, tiền xử lý ảnh, phân tích bố cục trang, tách dòng và từ, huấn luyện và
nhận dạng, hậu xử lý. Kết quả của mỗi bước ảnh hưởng rất lớn đến kết quả cuối
cùng của hệ thống.

Hình 1.4. Quy trình cơ bản trong một hệ thống OCR

1.2.1. Thu nhận ảnh

Thu nhận ảnh là bước đầu tiên trong quy trình của hệ thống OCR. Hình
ảnh tài liệu bên ngoài được thu nhận qua các thiết bị thu ảnh như camera, máy
ảnh, máy scan và được số hóa để biến đổi tín hiệu tương tự thành tín hiệu rời rạc
(lấy mẫu) và lưu vào máy tính dưới các định dạng file ảnh. Ảnh thu được có thể
là ảnh trắng đen, ảnh màu, ảnh đa cấp xám Độ phân giải của ảnh ảnh hưởng rất
lớn đến kết quả OCR. Ảnh thu được có độ phân giải 300dpi không phải là chuẩn

14
chính thức quy ước cho các ảnh đầu vào của các hệ thống OCR nhưng cũng có
thể xem như một chuẩn tương đối tốt. Tuy nhiên không phải ảnh có độ phân giải
càng cao thì kết quả OCR càng tốt. Do đó các hệ thống OCR khuyến nghị các
bức ảnh đầu vào nên có độ phân giải từ 200dpi – 400dpi. Để nâng cao hiệu quả
OCR, ngoài việc cố gắng đảm bảo độ phân giải của ảnh nằm trong khoảng tương
đối chấp nhận được, các bức ảnh thu được cần tiến hành xử lý nhằm nâng cao
chất lượng trước khi đưa vào nhận dạng. Quá trình này gọi là tiền xử lý ảnh.

1.2.2. Tiền xử lý ảnh

Các bức ảnh thu được chất lượng thường không tốt như ý muốn, có thể do
một số nguyên nhân như: chất lượng của thiết bị thu ảnh (độ phân giải thấp), yếu
tố nguồn sáng, tài liệu ảnh thực tế bị suy biến, tư thế chụp không đúng Do vậy,
ảnh trước khi đưa vào nhận dạng cần phải qua một số bước xử lý nhằm tăng
cường chất lượng ảnh, làm nổi bật một số đặc tính của ảnh, đặc biệt tăng độ
tương phản giữa foreground (đối tượng trong ảnh) và background (nền ảnh).
Một số công việc chủ yếu trong bước này bao gồm nhị phân hóa ảnh, dò hướng
đúng và chỉnh độ nghiêng ảnh, giảm nhiễu để loại bỏ những thành phần không
cần thiết.

1.2.2.1. Nhị phân hóa ảnh

Mục đích của nhị phân hóa là biến ảnh gốc thành ảnh nhị phân nhằm tăng
sự tương phản giữa nền (background) và các đối tượng (object hay foreground).
Nếu đầu vào là ảnh màu, trước khi nhị phân hóa cần chuyển sang ảnh xám theo
tiêu chuẩn:
Grey = 0.3R + 0.59G + 0.11 B.
Quan trọng nhất trong bước nhị phân hóa ảnh gốc là xác định ngưỡng
xám T (0 ≤ T ≤ 255). Nếu giá trị cường độ của một pixel ≤ T, pixel này được
thiết lập là màu đen, ngược lại là màu trắng. Nhị phân hóa ảnh gồm 2 loại:

Nhị phân hóa toàn cục: sử dụng một ngưỡng T duy nhất cho toàn bộ bức ảnh

Nhị phân hóa cục bộ: tính toán lại ngưỡng T thích hợp cho từng vùng ảnh


15
Việc tính toán chọn ngưỡng T phù hợp có ý nghĩa rất lớn trong quá trình
nhị phân hóa. Một số phương pháp xác định ngưỡng xám T phổ biến và hiệu quả

như Otsu (ngưỡng toàn cục); Niblack, Sauvola (ngưỡng cục bộ). Dưới đây trình
bày phương pháp Otsu trong việc xác định ngưỡng xám toàn cục.

Phương pháp Otsu[6]

Lược đồ mức xám: là một hàm rời rạc cung cấp tần suất xuất hiện của mỗi mức
xám.

trong đó: s
k
là mức xám thứ k;
n
k
là số các điểm ảnh khác có cùng mức xám s
k
;
n là tổng số các điểm ảnh trong ảnh.
Minh họa với bức ảnh 6x6 với các pixel chỉ trong 6 mức xám:

Hình 1.5. Mô tả lược đồ mức xám

Phương pháp Otsu được mô tả như sau:
Bước 1: Chọn một giá trị ước lượng ngưỡng xám ban đầu T. Thông
thường T được chọn là giá trị mức xám trung bình của bức ảnh. Ví dụ
trong lược đồ mức xám Hình 1.5, có thể chọn T = 3.
Bước 2: Dùng ngưỡng T phân hoạch bức ảnh thành 2 phân vùng R
1
, R
2

(tương ứng 2 lược đồ mức xám mới Hình 1.6).

Hình 1.6. Phân ngưỡng trên lược đồ mức xám

16
Bước 3: Tính toán giá trị mức xám trung bình
1

và
2

của hai phân vùng
R
1
, R
2
.
Bước 4: Tính toán lại giá trị ngưỡng T mới : T =
 
21
2
1


.
Bước 5: Lặp lại bước 2 đến bước 4 đến khi nào độ biến thiên của ngưỡng
T bé hơn giá trị

cho trước.

Hình 1.7. Kết quả chọn ngưỡng xám theo phương pháp Otsu

1.2.2.2. Chỉnh độ nghiêng và hướng

Ảnh thu được có thể bị nghiêng, bị xoay ngang dọc do vị trí đặt tài liệu
cần thu ảnh lệch vị trí đúng với thiết bị thu ảnh. Với những bức ảnh như thế,
hiệu quả nhận dạng giảm đi rõ rệt. Do đó trước khi nhận dạng, ta cần thực hiện
việc chỉnh lại độ nghiêng và hướng của trang ảnh. Sau khi xác định được độ
nghiêng và hướng chính xác của ảnh sẽ thực hiện việc quay ảnh về lại trạng thái
đúng ban đầu. Tuy nhiên ít nhiều chất lượng ảnh sẽ bị giảm sau khi quay.

Một số phương pháp xác định độ nghiêng trang ảnh như phương pháp
hình chiếu, phương pháp biến đổi Hough, phương pháp dựa trên các thành phần
liên thông và một số phương pháp khác như phân tích độ lệch so với trục dọc,
biến đổi Fourier, các phép toán hình thái[8]. Nhiều phương pháp dò hướng cũng
được đề xuất và áp dụng, một số tác giả như Caprari đưa ra năm 1999, Aradhyu
đưa ra năm 2005, Lu và một số tác giả khác đưa ra năm 2006[8]. Việc dò tìm độ
nghiêng và hướng của trang ảnh có thể thực hiện riêng lẻ hoặc kết hợp đồng thời
với nhau. Một phương pháp tiêu biểu cho việc kết hợp giữa việc dò độ nghiêng
và hướng được đưa ra bởi Breuel (và một số tác giả khác) sử dụng mô hình hóa
hình học của các dòng text chữ viết Latinh[8].

Dò độ nghiêng và quay ảnh thực hiện trong phạm vi góc -45
o
, +45
o
(Hình
1.8); dò hướng đúng và quay ảnh theo các hướng 0
o
, 90

o
, 180
o
, 270
o
(Hình 1.9).






Hình 1.8. Ảnh văn bản trước và sau khi chỉnh nghiêng

17







Hình 1.9. Ảnh văn bản trước và sau khi chỉnh hướng đúng

1.2.2.3. Giảm nhiễu

Việc xuất hiện nhiễu, đặc biệt ở biên ảnh (các thành phần không mong
muốn trong ảnh) làm tăng thời gian và giảm kết quả OCR bởi nhiễu trong ảnh
nếu không làm lọc đi sẽ được OCR như là ký tự bình thường, thậm chí làm sai
lệch nghiêm trọng kết quả với các vùng text thực sự.

Hình 1.10. Các vùng nhiễu trên ảnh văn bản[8]
Nhiễu trong tài liệu ảnh có thể do nhiều nguyên nhân: sự xuống cấp của
tài liệu theo thời gian, sự tác động vật lý, hóa học của môi trường xung quanh;
tác động ngoại cảnh trong quá trình chụp ảnh như ánh sáng không tốt. Do đó
trước khi nhận dạng, ảnh cần áp dụng một vài kỹ thuật phù hợp để giảm nhiễu
nhằm tạo ra một ảnh tốt hơn cho các bước phía sau của quá trình OCR.

Nhiễu trong ảnh thực tế gồm nhiều loại song chúng ta thường chú ý và
xem xét đến 3 loại nhiễu chính: nhiễu cộng, nhiễu nhân, nhiễu xung [3].
- Nhiễu cộng thường phân bố khắp ảnh. Nếu gọi ảnh quan sát (ảnh thu
được) là X
qs
, ảnh gốc là X
gốc
, nhiễu là

, ảnh thu được có thể biểu diễn
bởi:
X
qs
= X
gốc
+



18
- Nhiễu nhân thường được phân bố khắp ảnh và ảnh thu được sẽ biểu diễn
bởi công thức:

X
qs
= X
gốc
*


- Nhiễu xung thường gây đột biến tại một số điểm ảnh.

Từ bản chất của nhiễu (thường tương ứng với tần số cao) và từ cơ sở lý
thuyết lọc là: bộ lọc chỉ cho tín hiệu có tần số nào đó thông qua, do đó để lọc
nhiễu người ta thường sử dụng bộ lọc thông thấp (theo quan điểm tần số không
gian) hay lấy tổ hợp tuyến tính để sang băng (bộ lọc trung bình). Để làm nổi
cạnh (ứng với tần số cao), người ta sử dụng bộ lọc thông cao, lọc Laplace[2].

Do có nhiều loại nhiễu can thiệp vào quá trình xử lý ảnh nên cần nhiều bộ
lọc thích hợp. Với nhiễu cộng và nhiễu nhân ta dùng các bộ lọc thông thấp,
trung bình và lọc đồng hình (homomorphie); với nhiễu xung ta dùng bộ lọc
trung vị, giả trung vị, lọc ngoài (Outlier)[2].

Trong lọc trung bình người ta ưu tiên cho các hướng để bảo vệ biên của
ảnh khỏi bị mờ khi làm trơn ảnh. Các kiểu mặt nạ được sử dụng tùy theo các
trường hợp khác nhau. Các bộ lọc trên là bộ lọc tuyến tính theo nghĩa điểm ảnh
ở tâm cửa sổ sẽ được thay bởi tổ hợp các điểm lân cận chập với mặt nạ. Lọc
thông thấp thường được dùng để làm trơn nhiễu.

Các bộ lọc phi tuyến cũng được dùng trong kỹ thuật tăng cường ảnh.
Trong kỹ thuật này người ta dùng bộ lọc trung vị, giả trung vị, lọc ngoài. Với bộ
lọc trung vị các điểm ảnh sẽ được thay thế bởi trung vị các điểm ảnh, còn lọc giả
trung vị sẽ dùng trung bình cộng của 2 giá trị “trung vị” (trung bình cộng của

max và min)[2].

1.2.3. Phân tích bố cục

Tài liệu ảnh thường gồm các “vùng đối tượng” có nội dung, tích chất khác
nhau (vùng ảnh, vùng text, bảng biểu ). Phân tích bố cục tài liệu ảnh là một
bước quan trọng được thực hiện để xác định cấu trúc, xác định các vùng đối
tượng được bố trí trong tài liệu ảnh. Cấu trúc của tài liệu ảnh thường được quan
tâm trong việc phân tích bố cục là cấu trúc vật lý và cấu trúc lôgic.

Cấu trúc vật lý chỉ ra vị trí, đường biên giữa các vùng đối tượng khác
nhau. Việc xác định cấu trúc vật lý có ý nghĩa rất lớn đối với lĩnh vực OCR
trong việc chỉ lấy và xử lý các vùng text, giảm thời gian thực hiện và tăng độ
chính xác kết quả.


19
Cấu trúc logic chỉ chức năng của từng vùng đối tượng (ví dụ vùng tiêu đề,
vùng địa chỉ ) cũng như mối liên hệ logic giữa các vùng đối tượng ấy. Xác định
cấu trúc logic của tài liệu ảnh cũng có thể suy ra quy tắc đọc phù hợp. Ví dụ các
văn bản ngôn ngữ Latinh đọc từ trái qua phải, một số ngôn ngữ khác như Trung
Quốc, Nhật bản đọc từ phải qua trái. Việc xác định cấu trúc logic thường thực
hiện sau khi xác định được cấu trúc vật lý.

Hình 1.11. b-Cấu trúc vật lý; c,d-Cấu trúc lôgic [3]

Các phương pháp phân tích bố cục tài liệu ảnh có thể chia làm hai loại
chính [3]:
- Phương pháp có thứ bậc:
 Phương pháp bottom-up: bắt đầu từ các phần tử nhỏ nhất (pixel, thành

phần liên thông), thực hiện liên kết các phần tử liên quan để thành các
vùng lớn hơn.
 Phương pháp top-down: bắt đầu từ một vùng ảnh lớn, liên tục phân rã
thành các vùng nhỏ hơn.
- Phương pháp không có thứ bậc: như Fractal Signature, Adaptive split-
and-merge

Một số thuật toán phổ biến được áp dụng trong phân tích bố cục tài liệu
ảnh như: Run-length Smearing Algorithm (1982); Recursive X-Y Cuts (1984);
Whitespace Analysis (1994); Docstrum (1993); Voronoi (1998); RAST (2002) –
bởi Thomas Breuel.

1.2.4. Tách dòng và từ

Phân tích bố cục tài liệu ảnh xác định các block text. Các thuật toán tìm
dòng sẽ chạy trên các block text để tách thành các dòng text (text-line). Một số

20
thuật tìm dòng được thiết kế có thể xác định được các dòng text mà không cần
xoay ảnh nghiêng về vị trí đúng. Do đó tránh cho chất lượng tài liệu ảnh bị giảm
xuống khi phải thực hiện thao tác xoay ảnh.

Tùy theo tính chất của các ký tự trong một từ cũng như vị trí tương đối
của các từ trong một dòng text, các thuật toán tách từ được chọn một cách phù
hợp để cắt các dòng text đã xác định ở trên thành các từ rời nhau.

1.2.5. Huấn luyện và nhận dạng

Một hệ thống OCR thường chỉ cho ra kết quả rất hạn chế nếu như không
được tập huấn, một ảnh ký tự dù hình dạng đơn giản cũng rất khó xác định đó là

ký tự gì nếu không có sự so sánh với ảnh ký tự mẫu cho trước. Huấn luyện chính
là làm cho hệ thống OCR có thể nhận biết một cách chính xác các ảnh của một
tập lớn các ký tự mẫu khác nhau về ngôn ngữ, font chữ Các dấu hiệu để nhận
biết tập ảnh các ký tự này được hệ thống lưu lại theo một phương thức nào đó
thành dữ liệu tập huấn. Khi muốn nhận dạng một ký tự, hệ thống dựa vào dữ
liệu tập huấn sẽ cho ra một ký tự tương ứng phù hợp nhất.

Hầu hết các thuật toán OCR thường có hai phần chính: trích chọn đặc
trưng và phân loại. Một thành phần phụ cũng tham gia vào quá trình nhận dạng
là quá trình xử lý dựa trên ngữ cảnh [3].

Trích chọn đặc trưng liên quan đến việc rút trích ra những thuộc tính của
đối tượng dưới dạng các độ đo. Để biểu diễn một lớp ký tự phải xây dựng một
mô hình nguyên mẫu chung cho các lớp ký tự. Và do đó quá trình trích chọn đặc
trưng sẽ cố gắng tìm ra các đặc tính dựa trên nguyên mẫu đã xây dựng cho các
lớp. Các đặc trưng chung như số lượng các lỗ hổng trong ký tự, mặt lõm của
đường viền bên ngoài, sự nhô ra của điểm cao nhất và các đặc trưng nội tại, các
điểm cắt ngang, các điểm kết thúc, các góc sẽ được sử dụng. Mỗi ảnh ký tự sẽ
trích ra các đặc trưng và phân loại chúng vào lớp tương ứng.

Trong phương pháp phân loại dựa trên thống kê, những mẫu ảnh ký tự
được biểu diễn bằng các điểm đặc trưng trong không gian đa chiều. Mỗi một
thành phần trong không gian đa chiều biểu diễn cho một độ đo đặc trưng. Quá
trình phân loại sẽ chia không gian đa chiều thành các vùng tương ứng với các
lớp ký tự và chúng được gán nhãn tương ứng.

Nhận dạng dựa trên ngữ cảnh sử dụng thông tin từ các ký tự khác nhau
được nhận dạng trong một từ và ý nghĩa của từ khi lắp ghép ký tự vào từ. Công
việc này thường được kết hợp với từ điển của ngôn ngữ nhận dạng. Một công cụ
hiệu quả mà các hệ thống OCR hay sử dụng là mô hình ngôn ngữ thống kê.

21

Hiện nay nhiều phương pháp nhận dạng được nghiên cứu và liên tục cải
tiến tạo nên hiệu quả rõ rệt cho kết quả nhận dạng, tuy nhiên cũng gặp những
khó khăn nhất định. Hai trở ngại lớn cho các phương pháp nhận dạng là loại chữ
và font chữ.

Trên thế giới có rất nhiều loại chữ viết, mỗi nước hầu như đều có chữ viết
riêng, song có thể phân chia làm hai loại chính là chữ Latinh và chữ tượng hình.
Do có quá nhiều loại chữ viết như trên nên khó có một phương pháp nhận dạng
hiệu quả đồng thời với tất cả các loại. Đối với mỗi loại chữ, có thể thể hiện bởi
nhiều loại font khác nhau. Các font chữ mới thường xuyên xuất hiện. Do đó việc
huấn luyện các loại font này cho quá trình nhận dạng cũng là một vấn đề nan
giải.

1.2.6. Xử lý kết quả

Kết quả nhận dạng ít nhiều vẫn xuất hiện lỗi. Lỗi có thể do con người
trước nhận dạng như lỗi đánh máy (lỗi này ít xảy ra) hoặc lỗi do nhận dạng (phổ
biến). Lỗi nhận dạng có thể chia thành một số loại:
- Lỗi phân đoạn: cl

d, rn

m
- Lỗi do nhầm lẫn hình dạng: e

c, 2


Z, o

0
- Lỗi do nhiễu (nhận dạng nhiễu thành các ký tự): ?/”.

Với kết quả nhận dạng được, ta thường áp dụng các biện pháp sửa lỗi để
tăng hiệu quả xử lý. Nếu lỗi thuộc về loại lỗi chính tả (ví dụ huu – hưu, mang –
marg, h0a – hoa), có thể dùng các chương trình sửa lỗi chính tả phù hợp với
từng ngôn ngữ. Nếu là lỗi cú pháp (ví dụ tinh – tình, vân – vấn), thường người
đọc sẽ duyệt lại và sửa bằng tay.


22
CHƢƠNG 2 – CÁC CÔNG NGHỆ SỬ DỤNG TRONG HỆ THỐNG

2.1. Công nghệ Tesseract OCR

2.1.1. Giới thiệu về Tesseract OCR

Tesseract[11,12] là công nghệ OCR được phát triển những năm từ 1984
đến 1994 ở HP, bắt đầu như một dự án nghiên cứu tiến sĩ ở phòng thí nghiệm.
Tuy đạt được những kết quả nhất định nhưng lúc ấy vẫn chưa thể phát triển
thành sản phẩm thương mại. Cuối năm 2005, HP phát hành Tesseract dưới dạng
mã nguồn mở và hiện tại được tập đoàn Google tài trợ phát triển. Địa chỉ hiện tại
cho mã nguồn Tesseract là Tesseract
được phát triển để chạy trên cả hệ điều hành nhân Linux và Windows. Phiên bản
hiện tại là Tesseract 3.01 với một số nhà phát triển tiêu biểu như Ray Smith,
Thomas Breuel, Luc Vincent.

Từ khi Tesseract OCR trở thành mã nguồn mỡ, nó được phát triển một

cách nhanh chóng, hỗ trợ nhận dạng trên 30 ngôn ngữ khác nhau, độ chính xác
đang tiến tới tỉ lệ 100% trên một số ngôn ngữ với những ảnh văn bản chất lượng.
Tuy vậy dự án Tesseract vẫn chưa phát triển một GUI cho người dùng sử dụng
công nghệ này. Các tổ chức, cá nhân muốn sử dụng Tesseract OCR phải dùng
source code cung cấp sẵn đem về tùy biến và xây dựng thành GUI OCR riêng
cho mình. Sản phẩm OCR dựa trên Tesseract có thể phát hành lại dưới dạng mã
nguồn mã hay sản phẩm thương mại. Một số GUI dựa trên Tesseract:

VietOCR: Yêu cầu Java hoặc .NET
gImageReader: Yêu cầu python, PyGtk
OCRFeeder: Yêu cầu linux, Python, pyGTK, Ghostscript, Unpaper
FreeOCR: Yêu cầu Windows, .NET
PDF OCR X: Yêu cầu Mac OS X 10.5/Windows với Java 1.6 trở lên
Lime OCR: Yêu cầu Windows, ImageMagick
Ocrivist: Yêu cầu Linux, Pascal
Lector: Yêu cầu Python, Qt4
Tesseract-GUI: Yêu cầu python, pyGTK
QTesseract: Yêu cầu QT4, c++

Bên cạnh các GUI, cộng đồng quan tâm đến OCR đã xây dựng nhiều
wrapper cho Tesseract tương ứng trên nhiều ngôn ngữ lập trình, thuận tiện cho
việc xây dựng các ứng dụng OCR nhanh chóng mà không phải đi sâu tìm hiểu
source code Tesseract đã phát hành. Các wrapper Tesseract được xây dựng để
tạo ứng dụng OCR trên cả máy tính và điện thoại di động.

23

Với phiên bản Tesseract 3.0x:
C wrapper:
.Net:

Python:
Ruby:
Clojure:

Với phiên bản Tesseract 2.0x
Python:
-
-
-
-
- />&sd=a
.NET:
-
Java:
- (JNI wrapper)
- (JNA wrapper)

Ngoài ra còn có một số wrapper khác như:
- tesseract-android-tools: tập các hàm Android API cho tesseract
- Mobile OCR: Mục đích là tạo ra ứng dụng OCR (trên ảnh do camera
mobile chụp được) trên nền tảng Android. Ứng dụng tương lai có thể áp
dụng cho những người có thị lực kém
- Clarify: giúp OCR chỉ trên file PDF. Clarify là một modun python
module, wrapper cho tesseract-ocr, xpdf và netpbm. Yêu cầu: python,
tesseract-ocr, xpdf, netpbm
- hOcr2Pdf.NET: là thư viện cho người lập trình tạo ra các ứng dụng để có
thể tìm kiếm trên file pdf. Yêu cầu: .NET 2.0 or higher, Tesseract 3.0,
JBig2.exe
- ScanBizCards: Giải pháp cho scan business card trên mobile. Yêu cầu
iPhone 4/iPhone 3/Android 2.0

- customocr.com: là dịch vụ OCR dựa trên Web
- Tally-Ho: đọc màn hình cho các site như là google book
- Mayan EDMS: hệ thống quản lý tài liệu với tesseract
- Olena: nền tảng xử lý ảnh phổ biến và hiệu quả có sử dụng tesseract.