تحليل تخطيط المستندات

في مجال رؤية الحاسوب أو معالجة اللغة الطبيعية ، يُعد تحليل تخطيط المستند عملية تحديد وتصنيف المناطق المهمة في الصورة الممسوحة ضوئيًا لمستند نصي. يتطلب نظام القراءة فصل مناطق النص عن المناطق غير النصية وترتيبها وفقًا لترتيب القراءة الصحيح. ^{[ 1 ]} يُطلق على اكتشاف وتصنيف المناطق (أو الكتل) المختلفة ، مثل متن النص والرسوم التوضيحية والرموز الرياضية والجداول المضمنة في المستند ، اسم تحليل التخطيط الهندسي . ^{[ 2 ]} لكن مناطق النص تؤدي أدوارًا منطقية مختلفة داخل المستند (العناوين، والتعليقات، والحواشي، وما إلى ذلك)، وهذا النوع من التصنيف الدلالي هو نطاق تحليل التخطيط المنطقي .

يُعد تحليل تخطيط المستند مزيجًا من التصنيف الهندسي والمنطقي. ويتم إجراؤه عادةً قبل إرسال صورة المستند إلى محرك التعرف الضوئي على الحروف (OCR) ، ولكن يمكن استخدامه أيضًا للكشف عن النسخ المكررة من نفس المستند في الأرشيفات الكبيرة، أو لفهرسة المستندات حسب بنيتها أو محتواها التصويري.

تم تعريف تخطيط المستند رسميًا في المعيار الدولي ISO 8613-1:1989 .

توجد منهجان رئيسيان لتحليل تخطيط المستندات. أولهما المنهج التصاعدي الذي يقوم بتحليل المستند بشكل تكراري بناءً على بيانات البكسل الخام. عادةً ما يبدأ هذا المنهج بتحليل المستند إلى مناطق متصلة من الأسود والأبيض، ثم تُجمّع هذه المناطق في كلمات، ثم في أسطر نصية، وأخيرًا في كتل نصية. ^{[ 3 ] [ 4 ]} أما المنهج التنازلي فيحاول تقسيم المستند بشكل تكراري إلى أعمدة وكتل بناءً على المساحة البيضاء والمعلومات الهندسية. ^{[ 4 ]}

تُعدّ المناهج التصاعدية هي المناهج التقليدية، وتتميز بأنها لا تتطلب أي افتراضات مسبقة حول البنية العامة للمستند. مع ذلك، تتطلب هذه المناهج تجزئة وتجميعًا متكررين، وهو ما قد يستغرق وقتًا طويلًا. ^{[ 4 ]} أما المناهج التنازلية، فتتميز بتحليلها المباشر للبنية العامة للمستند، مما يُغني عن الحاجة إلى التجميع المتكرر لمئات أو حتى آلاف الأحرف/الرموز التي قد تظهر فيه. وهي عادةً ما تكون أسرع، ولكن لكي تعمل بكفاءة، فإنها تتطلب عادةً عددًا من الافتراضات حول تخطيط المستند. ^{[ 4 ]} ومن أمثلة المناهج التنازلية خوارزمية القطع XY المتكررة، التي تُقسّم المستند إلى أقسام مستطيلة. ^{[ 5 ]}

هناك مشكلتان شائعتان في أي منهجية لتحليل تخطيط المستندات: التشويش والتشويه. يشير التشويش إلى تشويش الصورة، مثل تشويش الملح والفلفل أو التشويش الغاوسي . أما التشويه فيشير إلى أن صورة المستند قد تكون مُدارة بطريقة تجعل أسطر النص غير أفقية تمامًا. من الافتراضات الشائعة في كلٍ من خوارزميات تحليل تخطيط المستندات وخوارزميات التعرف الضوئي على الأحرف أن الأحرف في صورة المستند موجهة بحيث تكون أسطر النص أفقية. لذلك، إذا وُجد تشويه، فمن المهم تدوير صورة المستند لإزالته.

وبناءً على ذلك، فإن الخطوات الأولى في أي كود لتحليل تخطيط المستند هي إزالة تشويش الصورة والتوصل إلى تقدير لزاوية انحراف المستند.

سنستعرض في هذا القسم خطوات خوارزمية تحليل تخطيط المستندات من الأسفل إلى الأعلى، والتي طورها أوغورمان عام 1993. ^{[ 3 ]} وتتلخص خطوات هذا النهج فيما يلي:

1. قم بمعالجة الصورة مسبقًا لإزالة التشويش الغاوسي وتشويش الملح والفلفل. لاحظ أن بعض مرشحات إزالة التشويش قد تعتبر الفواصل والنقاط تشويشًا، لذا يجب توخي الحذر.
2. قم بتحويل الصورة إلى صورة ثنائية ، أي قم بتحويل قيمة كل بكسل إلى أبيض تمامًا أو أسود تمامًا.
3. قسّم الصورة إلى مكونات متصلة من البكسلات السوداء. هذه هي رموز الصورة. لكل رمز، احسب المربع المحيط ومركزه.
4. لكل رمز، حدد أقرب k جارًا له ، حيث k عدد صحيح أكبر من أو يساوي أربعة. يقترح أوغورمان في بحثه قيمة k=5 كحل وسط جيد بين المتانة والسرعة. والسبب في استخدام k=4 على الأقل هو أنه بالنسبة لرمز في مستند، فإن أقرب رمزين أو ثلاثة رموز إليه هي تلك المجاورة له مباشرةً في نفس سطر النص. أما الرمز الرابع الأقرب، فيكون عادةً في سطر أعلى أو أسفل مباشرةً، ومن المهم تضمين هذه الرموز في حساب أقرب جار لما يلي.
5. يرتبط كل زوج من الرموز المتجاورة بمتجه يشير من مركز أحد الرموز إلى مركز الرمز الآخر. عند رسم هذه المتجهات لكل زوج من الرموز المتجاورة، نحصل على ما يُسمى بـ " مخطط المستند" (انظر الشكل أدناه). كما يمكن استخدام الزاوية Θ من المستوى الأفقي والمسافة D بين رمزين متجاورين لإنشاء رسم بياني لتوزيع الزوايا والمسافات بين الرموز المتجاورة.
6. باستخدام مخطط توزيع الزوايا لأقرب جار، يمكن حساب انحراف المستند. إذا كان الانحراف منخفضًا بشكل مقبول، انتقل إلى الخطوة التالية. أما إذا لم يكن كذلك، فقم بتدوير الصورة لإزالة الانحراف ثم عد إلى الخطوة 3.
7. يحتوي الرسم البياني لتوزيع المسافة بين أقرب جارين على عدة قمم، وتمثل هذه القمم عادةً المسافات بين الأحرف، والمسافات بين الكلمات، والمسافات بين الأسطر. احسب هذه القيم من الرسم البياني وضعها جانبًا.
8. لكل رمز، انظر إلى أقرب جيرانه وحدد أي رمز يقع على مسافة ضمن هامش التسامح المسموح به بين الأحرف أو الكلمات. لكل رمز مجاور تم تحديده، ارسم خطًا يصل بين مركزيهما.
9. تُشكّل الرموز المتصلة بجيرانها بواسطة قطع مستقيمة أسطرًا نصية . وباستخدام جميع مراكز الرموز في سطر نصي، يُمكن حساب قطعة مستقيمة فعلية تُمثّل هذا السطر باستخدام الانحدار الخطي. وهذا أمرٌ بالغ الأهمية لأنه من غير المرجح أن تكون جميع مراكز الرموز في سطر نصي على استقامة واحدة.
10. لكل زوج من أسطر النص، يمكن حساب أقصر مسافة بين أجزاء الأسطر المتناظرة. إذا كانت هذه المسافة ضمن هامش خطأ معين من التباعد بين الأسطر المحسوب في الخطوة 7، فسيتم تجميع سطري النص في نفس كتلة النص .
11. وأخيرًا، يمكن حساب مربع محيط لكل كتلة نصية، وبذلك يكتمل تحليل تخطيط المستند.

• OCRopus – نظام مجاني لتحليل تخطيط المستندات والتعرف الضوئي على الأحرف، تم تنفيذه بلغة C++ و Python وهو متوافق مع أنظمة FreeBSD و Linux و Mac OS X. يدعم هذا البرنامج بنية إضافية تسمح للمستخدم بالاختيار من بين مجموعة متنوعة من خوارزميات تحليل تخطيط المستندات والتعرف الضوئي على الأحرف.
• OCRFeeder – مجموعة برامج للتعرف الضوئي على الأحرف (OCR) لنظام لينكس، مكتوبة بلغة بايثون، وتدعم أيضًا تحليل تخطيط المستندات. هذا البرنامج قيد التطوير المستمر، وهو مجاني ومفتوح المصدر.

• معالجة المستندات
• بنية المستندات المفتوحة

• أوغورمان، ل. (1993). "طيف المستند لتحليل تخطيط الصفحة". معاملات IEEE في تحليل الأنماط والذكاء الآلي . 15 (11): 1162-1173 . doi : 10.1109/34.244677 .
• سايمون، أ.؛ بريت، ج.-س.؛ جونسون، أ.ب. (1997). "خوارزمية سريعة لتحليل تخطيط المستندات من الأسفل إلى الأعلى". معاملات IEEE في تحليل الأنماط والذكاء الآلي . 19 (3): 273-277 . doi : 10.1109/34.584106 .
• سيونغ-هوان لي؛ داي-سوك ريو (2001). "تحليل تخطيط المستندات الهندسي بدون معلمات". معاملات IEEE في تحليل الأنماط والذكاء الآلي . 23 (11): 1240-1256 . doi : 10.1109/34.969115 .
• دينجل، أندرياس؛ بارث، جيرهارد (1989)، أناستاسيل : نظام هجين قائم على المعرفة لتحليل تخطيط المستندات ، Ijcai'89، ص 1249-1254 

• تصديق المستندات
• تحليل تخطيط المستندات عالي الأداء، بقلم توماس إم. برويل، في مركز أبحاث بالو ألتو، كاليفورنيا، الولايات المتحدة الأمريكية ، 2003
• تقنيات تحليل التخطيط الهندسي لفهم صورة المستند: مراجعة، تقرير ITC-irst الفني رقم TR#9703-09 ، 1998.