Evaluacija OCR sustava

undergraduate thesis

• Title (english): Evaluation of OCR systems
• Author: Josipa Sumpor
• Mentor: Hrvoje Stančić (mentor)
• Mentor: Željko Trbušić (pomoć pri izradi, neposredni voditelj)
• Committee member: Krešimir Pavlina (predsjednik povjerenstva)
• Committee member: Hrvoje Stančić (član povjerenstva)
• Committee member: Željko Trbušić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Humanities and Social Sciences; (Department of information and Communication sciences); Zagreb
• Defense date and country: 2022-10-26, Croatia
• Scientific / art field, discipline and subdiscipline: SOCIAL SCIENCES; Information and Communication Sciences

Abstract

U završnom radu analiziran je optički prepoznat tekst pohranjen u sklopu repozitorija Zaklade Hathi. Izdvojeni su odabrani primjeri iz repozitorija i ekstrahirani kao optički prepoznati tekstovi i digitalizirani tekstovi u JPEG formatu. Sukladno ekstrahiranim optički prepoznatim tekstovima, izrađeni su tekstovi koji su istovjetni izvorniku kako bi se mogla provesti evaluacija. Evaluacija je provedena ISRI alatima za evaluaciju optički prepoznatog teksta. U radu je provedeno i prepoznavanje OCR sustavima Abbyy FineReader i Tesseract na istim primjerima. Prepoznavanje je provedeno na prethodno binariziranim i nebinariziranim JPEG formatima. U radu se uspoređuje i analizira točnost optičkog prepoznavanja OCR sustava Zaklade Hathi i OCR sustava Abbyy FineReader i Tesseract te se predstavljaju rezultati.

Abstract (english)

In this thesis, the repository of the Hathi Foundation is analyzed. Selected examples are identified from the repository and extracted as optically recognized texts and digitized texts in JPEG format. In accordance with extracted optically recognized texts, texts identical to the originals were created so that the evaluation could be carried out. The evaluation was carried out using ISRI tools for evaluating optically recognized text. Recognition by OCR systems Abbyy FineReader and Tesseract are carried out using the same examples. Recognition is performed on the pre-binarized and non-binarized JPEG formats. The optical recognition accuracy of the Hathi Foundation OCR system and the Abbyy FineReader and Tesseract OCR systems are comparatively analyzed and the results are presented.

• Keywords: arhivsko gradivo; digitalizacija; Abbyy FineReader; Tesseract; repozitorij zaklade HathiTrust; optičko prepoznavanje znakova (OCR); binarizacija
• Keywords (english): archival materials; digitization; Abbyy FineReader; Tesseract; HathiTrust repository; optical character recognition (OCR); binarization
• Language: croatian
• URN:NBN: urn:nbn:hr:131:503631
• Study programme: Title: Information Sciences; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/prvostupnica (baccalaureus/baccalaurea) informacijskih znanosti (sveučilišni/a prvostupnik/prvostupnica (baccalaureus/baccalaurea) informacijskih znanosti)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2022-09-29 20:05:25