Đặt vấn đề Các từ ứng viên sau đã được tách ra khỏi video ở bước 3.3 sẽ được chuyền cho Tesseract nhận dang. Tesseract là một ứng dụng mã nguồn mở, có thê nhận dạng được tiếng Việt. Tuy nhiên sẽ xảy ra hai vấn đề sau đây: 1. Khả năng nhận dạng được vùng ảnh của Tesseract; 2.
Sự chính xác về mặt chính tả của từ: do Tesseract nhận dang từng ký tự trong từ ứng viên nên có thé dẫn đến kết quả nhận dạng sai chính tả của cả từ. Nếu vùng ảnh được chuyển cho Tesseract nhận dạng có độ tương phản không tốt thì kết quả nhận dang sẽ không đúng. Đồng thời, Tesseract có thể nhận dang nhằm vùng ảnh. Do đó, Luận văn đề xuất tiền xử lý trước khi chuyển Tesseract nhận dạng và hậu kiểm chính tả của từ nhận dạng được nhằm loại bỏ từ có chính tả không đúng.
Tiền xử lý trước khi chuyển các từ ứng viên dé Tesseract nhận dang Nhằm tăng độ nhận dạng chính xác của Tesseract, các từ ứng viên sẽ được kiểm tra độ tương phản trước khi nhận dạng. Nếu từ ứng viên có độ tương phản chưa tốt thì từ sẽ được cân bằng lại lược đồ xám. Sau khi đã tăng kiểm tra độ tương phản, luận văn đề xuất phóng to vừa đủ từ ứng viên lên gấp 4 lần kích thước ban đầu dé Tesseract nhận dạng tốt hơn. Luận văn sử dụng entropy thông tin dé kiêm tra độ tương phan của từ ứng viên với công thức tính: Entropy = — ¥ pilogio i) (4.6) Trong đó: Học viên: Âu Anh Thông - CH1001076 18 xác suât của cường độ sáng thứ ¡ trong lược đô xám của ảnh.
Gọi e_ f là tổng tần số của các cường độ sáng trong một ảnh đa cấp xám; e £14 tần số xuất hiện của giá trị cường độ sáng thứ i; e p; là xác suât của giá trị cường độ xám thứ i trong lược đô xám của ảnh da cấp xám. Ta có: ¢ Bước 1: Tách vùng ảnh của từ ứng viên màu thành 3 vùng ảnh đa cấp xám; © Bước 2: Ung với từng vùng ảnh da xp xám: Bước 2.1: Tính tổng tần số f của vùng ảnh; Bước 2.2: Tính xác suất của từng cường độ sáng p; = f/f; Bước 2.3: Tính entropy = — ¥ p;logio(pi). © Bước 3: Nếu entropy >= 5.00 (Giá trị thực nghiệm) thì từ ứng viên được cân bằng lược đồ xám ngược lại thì không cân bằng; © Bước 4: Từ ứng viên được phóng to lên gấp 4 lần; © Bước 5: Chuyển từ ứng viên cho Tesseract nhận dạng. Có kiểm tra entropy thông tin và phóng to | Không có kiểm tra entropy thông tin và lên 4 lần không phóng to Số l Số Khung | SỐ chữ | s „nụ _ | chữ | Tilệ | Sốchữ | Số _ | chữ | TiiỆ hình có hệ Độ | nhận | sai có chữ | Độ | nhận | sai nhận ¿ h " , h trong | Gang | phủ | dạng | chính | trong | nhận | phú | dang | chính khung c8 (%) | sai tả | khung | dạng | (%) | sai tả hình = chính | (%) | hình | đúng chính | (%) tả tả 1 9 6 67 0 0 9 5 56 4 44 2 9 5 5 | 0 0 9 5 56 4 44 3 5 4 so | 0 0 5 0 0 5 100 4 8 7 88 0 0 8 6 75 2 25 5 9 6 67 0 0 9 9 100 | 0 6 8 6 75 0 0 8 7 88 0 7 9 5 5 | 2 22 9 5 56 4 44 Học viên: Âu Anh Thông - CH1001076 19 Có kiểm tra entropy thông tin và phóng to | Không có kiểm tra entropy thông tin và lên 4 lần không phóng to trong | fang | phủ | dang | chính | trong | nhận | phủ | dạng khung | Ging | (%) | sai | tả | khung | dạng | (%) | sai hình chính | (%) | hình | đúng chính tả tả 8 8 6 75 0 0 8 8 100 | 0 0 9 8 6 75 0 0 8 4 50 3 38 10 8 6 75 0 0 8 6 75 2 25 II 8 6 15 0 0 8 6 75 1 13 12 9 5 56 | 0 0 9 6 67 2 22 13 9 9 100 | 0 0 9 9 100 | 0 0 14 6 4 67 | 0 0 6 4 67 2 33 l5 9 5 56 | 0 0 9 5 56 4 44 16 8 5 63 0 0 8 3 38 3 38 17 8 5 63 0 0 8 5 63 2 25 18 8 ii 88 | 0 0 8 6 T5 2 25 19 8 6 15 0 0 8 5 63 3 38 20 8 7 88 | 0 0 8 5 63 3 38 Tung 72,25 1l 66 30 Bang 4.
So sánh giữa có sử dụng entropy thông fin và phóng to từ ứng viên dé tăng độ chính xác của Tesseract và không có sử dụng entropy và không phóng to từ ứng viên Nhận xét: e Về độ nhận dang chính xác: tăng lên 72,25% so với không xử lý từ ứng viên là 66%; ° Về ti lệ nhận dạng sai chính tả: có xử lý từ ứng viên thì tỉ lệ sai chính tả sẽ thấp hơn (tỉ lệ là 1,1% so với không có xử lý từ ứng viên là 30%). Kết luận: Từ ứng viên sau khi đã được xử lý sẽ có kết quả nhận dạng tốt hơn. Hậu kiểm kết quá nhận dạng của Tesseract Do Tesseract nhận dạng từng ký tự trong từ ứng viên nên có thể dẫn đến kết quả nhận dạng sai chính tả của cả từ. Vi dụ: Học viên: Âu Anh Thông - CH1001076 20 Hình 4.1 cho thấy kết quả nhận dang sai chính tả của Tesseract.
Trong đó, Tesseract nhận dang sai chữ “lên”, “thật”, “tươi”. Do đó, ứng dụng sử dụng thêm bộ. kiểm tra chính tả nHunspell đê kiêm tra kết quả nhận dạng của Tesseract. nHunsell là phiên bản trên nền tảng .NET của bộ kiểm tra chính tả trong bộ phần mềm OpenOffice.
Do đó, nHunspell có thé sử dụng từ điển của OpenOffice đề kiểm tra chính tả. Thứ tự ngôn ngữ kiêm tra từ điển lần lượt là Tiếng Anh sau đó đến Tiếng Việt, số lượng từ Tiếng Anh là 62.118 từ và số lượng từ Tiếng Việt là Từ điển Tiếng Việt có 6. Mô hình ngôn ngữ được sử dụng trong nHunspell là n-gram. Tiến trình kiểm tra được tiến hành như sau: © Bước 1: Với các chuỗi được nhận dạng từ Tesseract trong từng phân hoạch, ứng dụng sẽ loại bỏ dấu nháy kép (“); © Bước 2: Cắt chuỗi với các dấu phân cách.
(dau chấm) và , (dấu phẩy) thành một mảng các chuỗi con; © Bước 3: Nếu mảng chỉ có một chuỗi thì kiểm tra chính tả của chuỗi bằng từ điển Tiếng Anh, nếu không phải là từ Tiếng Anh thì sẽ kiểm tra bằng từ điền Tiếng Việt; Học viên: Âu Anh Thông - CH1001076 21 Néu mảng có nhiều hơn một chuỗi con thì kiểm tra chính tả của mỗi chuỗi con bằng từ điển Tiếng Anh, nếu không phải là từ Tiếng Anh thì sẽ kiểm tra bằng từ điển Tiếng Việt; © Bước 4: Nếu mảng chỉ có một chuỗi à từ được nhận dạng chính xác lưu giữ từ vào danh sách các chuỗi đã được nhận dạng; Nếu mảng có nhiều chuỗi con và tất cả các chuỗi con được nhận dạng chính xác thì chuỗi ban đầu trước khi tách ở bước 2 sẽ được lưu giữ vào danh sách các chuỗi đã được nhận dạng. 'Có kiểm tra nHunspell Không kiểm tra nHunspell số số Số Số chữ | Tile Số Số chữ | Tile Khung | chữ | chữ | nhận | sai | chữ | chữ | nhận | sai hình nhận | nhận | dạng | chính | nhận | nhận | dạng | chính dạng | dạng | sai tả | dạng | dạng | sai tả được | đúng | chính | (%) | được | đúng | chính | (%) tả tả 1 6 6 0 0 9 6 3 33 2 5 5 0 0 9 5 4 44 3 4 4 0 0 5 4 1 20 4 7 1 0 0 8 7 1 13 5 6 6 0 0 9 6 3 33 6 6 6 0 0 7 6 1 l3 7 7 5 2 22 9 5 4 44 8 6 6 0 0 8 6 2 25 9 6 6 0 0 7 6 1 13 10 6 6 0 0 8 6 2 25 in 6 6 0 0 7 6 1 13 12 5 5 0 0 8 5 3 33 13 9 9 0 0 9 9 0 0 14 4 4 0 0 6 4 2 33 15 5 5 0 0 9 5 4 44 16 5 5 0 0 6 5 2 25 17 5 5 0 0 7 5 2 25 18 7 7 0 0 8 7 1 l3 Học viên: Âu Anh Thông - CH1001076 2 'Có kiểm tra nHunspell Không kiểm tra nHunspell Số Số Số Số chữ | Tile | Số Số chữ Khung | chữ | chữ | nhận | sai chữ | chữ | nhận hình nhận | nhận | dạng | chính | nhận | nhận | dạng dạng | dạng | sai tả | dạng | dạng | sai được | đúng | chính | (%) | được | đúng | chính tả tả 19 6 6 0 0 8 6 2 25 20 7 7 0 0 8 7 1 l3 Kết quả Il 24,35 Bảng 4. So sánh kết quả giữa có sử dung hậu kiểm bằng nHunspell và không có hậu kiểm bằng nHunspell Kết luận: việc hậu kiểm bằng nHunspell giúp giảm đáng kể tỉ lệ từ sai chính tả (tỉ lệ 1,1%). so với không có hậu kiểm bằng nHunspell (ti lệ 24,35%).
Học viên: Âu Anh Thông - CH1001076 23 CHUONG 5- QUI TRINH DE XUAT CHO VIEC NHAN DANG KY TU TIENG VIET TRONG VIDEO 5. Qui trình thực hiện Thông qua việc tham khảo qui trình của các tài liệu tham khảo [7] và [15] luận văn đề xuất một qui trình như Hình 5.1 sau: —Khunghình—>| Tiềnxửlý —>| Tìmcạnh |———>_ Phânngưỡng 1 1 1 1 1 1 1 1 1 ' 1 ' 1 ' 1 ' 1 1 1 1 1 r 1 ' 1 ' 1 ' 1 1 1 ' 1 ' 1 1 1 i 1 i Tach ving van t l Titên xy lý t tring ứng bản ứng vit ra viên JHe Trích chọn veh chọn đã đặc h khỏi nền \ là ' i \ Chuyén Tesseract Hậu kiểm kết Xuất kết quả ụ — —> nhận dang quả nhận dạng nhận dạng \ \ ' Nhận dạng Hình 5. Qui trình thực hiện ứng dụng nhận dạng ký tự Tiếng Việt trong video.