Người ta cho máy tính đọc chữ như thế nào?
Thông thường, chúng ta phải nhập vào máy tính nhiều văn bản, con chữ, ký hiệu hoặc chữ Hán và thông thường là dùng chức năng biên dịch của hệ thống máy tính và thực hiện bằng các con chữ, phím ký hiệu trên bàn phím hoặc mã vào của chữ Hán. Nếu khối lượng nhập liệu rất lớn thì sẽ nảy sinh sai sót mà khó lòng phát hiện ra.
Trên thực tế còn có một cách nhập nhanh và đơn giản đó là dùng máy quét (scanner: thiết bị đọc các mẫu tuần tự từng phần rồi tạo các tín hiệu số hoặc tương tự tương ứng với mẫu ấy - chú thích của ND) để đưa từng trang văn bản vào bộ nhớ của máy tính như là những trang hình vậy. Sau đó là đọc biết bằng một phần mềm gọi là hệ thống nhận dạng chữ (bao gồm con chữ, con số và các ký hiệu khác) quang học OCR. Với một lượng rất ít con chữ mà hệ thống máy không đọc được thì phải bằng cách trao đổi trực tiếp giữa người và máy để hoàn thành công việc ghi vào toàn bộ văn bản. Với hệ thống OCR ngày nay thì độ sai sót trong việc nhận biết đã hạ thấp rất nhiều đối với những văn bản có chất lượng in ấn tốt. Cùng với sự nâng cao trình độ thông minh của hệ thống OCR thì việc nhận biết đối với các văn bản viết tay và văn bản in chất lượng thấp cũng được nâng cao nhanh chóng về hiệu quả.
Vậy thì máy tính đã nhận biết con chữ thế nào bằng hệ thống OCR? Thường thì hệ thống OCR hoàn thành việc nhận biết con chữ theo năm bước như sau:
- Trước hết, bằng máy quét sẽ đọc nhập vào bộ nhớ chính RAM những trang chữ để lưu trữ.
- Bước thứ hai, phân biệt các dòng, các đoạn, tiêu đề và chính văn, con chữ và hình ảnh không quy tắc của văn bản. Đây là bước trung tâm của quá trình nhận biết chữ.
- Bước thứ ba, nhận biết các con chữ đã được cách li ra, bước này thường gọi là nhận biết dạng chữ hoặc phối hợp dạng chữ. Phần mềm sẽ đối chiếu "chữ hình vẽ" được cách li thành khối vuông với chữ chuẩn được lưu trữ trong bộ nhớ bên trong máy, rồi nhận biết từng con chữ bằng cách phối hợp.
- Bước thứ tư, những con chữ chưa được nhận biết ở bước thứ ba lại được nhận biết bằng một quá trình xử lý tinh tế và có thời gian dài hơn. Quá trình này gọi là "trích đặc trưng".
- Bước thứ năm, xử lý ký hiệu khó nhận dạng, thường có hai cách: (1) Đánh dấu những con chữ chưa được nhận biết và đẩy ra để sửa chữa hoặc thay đổi bằng phương pháp thủ công. (2) Sửa chữa những sai sót trong phiên âm bằng chương trình soát phiên âm sai hoặc chương trình soát sai chữ Hán thường dùng.
Để máy tính có thể nhận biết được càng nhiều chữ Hán một cách chính xác, người ta đã tiến hành nghiên cứu phương pháp cơ bản tự động nhận biết. Những phương pháp cơ bản này gồm hai loại là (1) Phương pháp quyết sách thống kê được hình thành từ đặc trưng thống kê chữ Hán được nêu ra để nhận biết và (2) Phương pháp cấu trúc cú pháp chữ Hán. Ngoài ra các ngành: phương pháp trí năng, toán học tập mờ và mạng thần kinh nhân tạo cũng đang có tác dụng ngày càng quan trọng trong việc tự động nhận biết chữ Hán.
