more words written

2024-01-07 16:56:29 +01:00
parent c2b8c78e62
commit d15c0253bb
11 changed files with 87 additions and 46 deletions
@@ -1,20 +1,24 @@
 \subsection{Postprocessing}
+\label{algorithmen_postprocessing}

 Da die verarbeiteten Bilddaten \bzw deren extrahierte Textdaten später durch eine Schlagwort-basierte Suchfunktion durch den Nutzer auffindbar sein müssen, müssen die Ergebnisdaten im Rahmen des Postprocessings weiterverarbeitet werden. Ziel ist es, die Redundanz innerhalb des Datensets zu reduzieren. Ebenso sollen falsch erkannte Ergebnisdaten identifiziert und aus der Schlagwortmenge entfernt werden.

 \subsubsection{Normalisierung}
+\label{algorithmen_normalisierung}

 Um die aus der Texterkennung gewonnenen Daten zunächst für die weitere Filterung vorzubereiten, ist es sinnvoll, die Redundanz der Daten möglichst zu reduzieren und die einzelnen Wörter zu normalisieren \bzw zu standardisieren. Beispielsweise kann durch das Umwandeln aller Textdaten in Kleinbuchstaben die Variation der Daten eingeschränkt werden, ohne jedoch für die Suche relevante Information zu verlieren.

 % TODO Beispielhafter Vergleich der Daten vor bzw. nach Anwendung des Filters

 \subsubsection{Vermeidung von Duplikaten}
+\label{algorithmen_duplikate}

 Nach der Normalisierung werden Duplikate innerhalb der erkannten Textdaten entfernt. Dies verringert ebenfalls die Redundanz der Textdaten und steigert die Effizienz der nachfolgenden Filterverfahren.

 % TODO Beispielhafter Vergleich der Daten vor bzw. nach Anwendung des Filters

 \subsubsection{Filterung anhand der Genauigkeit}
+\label{algorithmen_confidence}

 Tesseract stellt im Rahmen der Texterkennung auch immer Metadaten zu den erkannten Texten zur Verfügung. Bei erkannten Wörtern wird beispielsweise immer eine Genauigkeit (\engl{Confidence}) mit angegeben. Sie bestimmt, mit welcher Sicherheit ein Texterkennungssystem das jeweilige Wort erkannt hat, wobei Wörter mit hoher Confidence eher richtig, mit niedriger Confidence eher falsch erkannt wurden. 

@@ -23,6 +27,7 @@ Der Confidence-Filter prüft die jeweiligen Wörter auf ihre Metadaten und verwi
 % TODO Beispielhafter Vergleich der Daten vor bzw. nach Anwendung des Filters

 \subsubsection{Filterung anhand der Wortlänge}
+\label{algorithmen_wortlänge}

 Verarbeitet das Texterkennungssystem Texte mit unregelmäßigen Abständen oder grafischen Artefakten in der Schrift, werden statt des eigentlichen Wortes fälschlicherweise oft relativ kurze Symbolkombinationen erkannt. Um diese Kombinationen aus den Ergebnisdaten zu entfernen, können Zeichenketten mithilfe des Wortlängenfilters ungeachtet ihres Inhaltes verworfen werden.

@@ -31,6 +36,7 @@ Zusätzlich kann dieser Filter an die Anforderung des Zielsystems angepasst werd
 % TODO Beispielhafter Vergleich der Daten vor bzw. nach Anwendung des Filters

 \subsubsection{Sprachabhängige Filterung mittels Regular Expressions}
+\label{algorithmen_regex}

 Nachdem die zu filternden Textdaten durch vorherige Schritte weitestgehend vorverarbeitet wurden, werden die Ergebnisdaten ein letztes Mal mithilfe von regulären Ausdrücken (\engl{Regular Expressions}) durchsucht. Aufgrund der guten Erweiterbarkeit der Regular Expressions ist es einfach, für jede Sprache einen individuellen Filter anzulegen, der den jeweiligen Zeichensatz beschriftet und unbekannte Sonderzeichen oder Symbole entfernt. So sind beispielsweise im Deutschen Umlaute erlaubt, während häufig auftretende, jedoch unerwünschte Symbole wie das phonetische Zeichen "æ" explizit entfernt werden können.