abstract feedback

chapters/c00_frontmatter/abstract/de.tex

@@ -1,6 +1,6 @@
 \chapter{Kurzfassung}
 
-Diese Bachelorarbeit konzentriert sich auf eines der vielen Anwendungsgebiete der optischen Texterkennung: Extraktion von Textdaten aus digitalen Screenshots. Das Ziel ist es, die Menge und Qualität der gewonnenen Daten zu maximieren, um die Verwaltung von grafischen Ressourcen für die Produktdokumentation von COPA-DATA zu vereinfachen. Gleichzeitig wir ein Beitrag zur Forschung im Bereich der Texterkennung in grafischen Oberflächen geleistet.
+Diese Bachelorarbeit konzentriert sich auf eines der vielen Anwendungsgebiete der optischen Texterkennung: Extraktion von Textdaten aus digitalen Screenshots. Das Ziel ist es, die Menge und Qualität der gewonnenen Daten zu maximieren, um die Verwaltung von grafischen Ressourcen für die Produktdokumentation von COPA-DATA zu vereinfachen. Gleichzeitig wird ein Beitrag zur Forschung im Bereich der Texterkennung in grafischen Oberflächen geleistet.
 
 Dazu wird eine Auswahl von Algorithmen für die Aufbereitung der Bilder \bzw Filterung der Ergebnisdaten der Texterkennung getroffen, welche in ihrer Grundfunktion erklärt werden. Der Einfluss der gewählten Algorithmen auf die Ergebnisse der Texterkennung wird anschließend anhand gängiger Metriken für die Sprach- und Texterkennung objektiv miteinander verglichen.
 

chapters/c00_frontmatter/abstract/en.tex

@@ -5,7 +5,7 @@ This bachelor's thesis focuses on one of the many fields of optical character re
 
 For this purpose, a selection of algorithms for image processing and filtering of the resulting data is made. After explaining the selected algorithms in their basic function, they are objectively compared using common metrics for speech and text recognition.
 
-By comparing the resulting data in the automatically generated report, it becomes apparent that analyzing different pictures using just one method does not lead to optimal results. Amongst the chosen approaches, there is no clear "winner" in the examined sample. In order to not lose any important details, specifically when working with binarization techniques such as thresholding, the chosen parameters must match the individual characteristics of the picture. Therefore, for automated text recognition, it is sensible to either manually determine the algorithm to use based on the input data or to automatically combine the results of multiple algorithms. This way, as many details as possible can be captured and the end results of text recognition within the image can be optimized.
+By comparing the resulting data in the automatically generated report, it becomes apparent that analyzing different pictures using just one method does not lead to optimal results. Amongst the chosen approaches, there is no clear "winner" in the examined sample. In order to not lose any important details, specifically when working with binarization techniques such as thresholding, the chosen parameters must match the individual characteristics of the picture. Therefore, for automated text recognition, it is sensible to either manually determine the algorithm to be used based on the input data or to automatically combine the results of multiple algorithms. This way, as many details as possible can be captured and the end results of text recognition within the image can be optimized.
 
 For further research or adaptation to specific requirements, the prototypical implementation or its respective components are designed to be reused. Due to the modular structure of the automated comparison system, it is possible to add new functionality or edit the existing features. As a result, the ideal text recognition approach can always be determined with little effort, even after changing the display language or after a complete redesign of the graphical user interface.
 \end{english}