Optik karakter tanıma, taranmış kitap, dergi, gazete, form veya fotoğraf üzerindeki yazı görüntüsünü karakter dizilerine dönüştürür. Bir belgenin PDF ya da resim dosyası olarak dijital ortamda bulunması, metninin doğrudan aranabilir olduğu anlamına gelmez; sayfa yalnız piksellerden oluşabilir. Tanıma sistemi önce metin bölgelerini ve satırları belirler, ardından harf, sayı ve noktalama işaretlerini tahmin eder. Sonuç, belge görüntüsüne görünmez bir metin katmanı olarak eklenebilir veya ayrı bir düz metin dosyası hâlinde saklanabilir. Bu dönüşüm büyük arşivleri aranabilir kılar, fakat üretilen metin kaynak görüntünün kusursuz kopyası değildir. Baskı niteliği, sayfa eğriliği, lekeler, eski yazı karakterleri, sütun düzeni ve kullanılan dil modeli hata oranını doğrudan etkiler.
Tanıma iş akışı
İşlem genellikle görüntü hazırlama ile başlar. Sayfa yönünün düzeltilmesi, eğriliğin giderilmesi, gereksiz kenarların kesilmesi, karşıtlığın ayarlanması ve gürültünün azaltılması metin bölgelerini daha belirgin hâle getirir. Ardından sayfa düzeni çözümlemesi başlık, paragraf, sütun, dipnot, tablo ve görsel alanlarını ayırır. Bu aşama hatalıysa karakter tanıma doğru olsa bile okuma sırası bozulabilir; iki sütunun satırları birbirine karışabilir veya dipnot ana metnin ortasına girebilir.
Karakter tanıma motoru, belirlenen satırları dil ve yazı sistemi için eğitilmiş modellerle çözümler. Modern sistemler tek tek işaretlerin yanında çevredeki karakter dizilerini de değerlendirir; bu sayede benzer şekilli harfler sözcük örüntüsüne göre ayrılabilir. Çıktının yalnız düz metin olması zorunlu değildir. ALTO gibi düzen odaklı biçimler, tanınan sözcüğü sayfadaki koordinatı ve yazı özellikleriyle birlikte saklayarak daha sonra özgün görüntüye dönmeyi sağlar. Bu izlenebilirlik, hatanın kaynağını bulmak ve alıntıyı sayfa görüntüsüyle karşılaştırmak için önemlidir.
Türkçe metinlerde özel güçlükler
Türkçe için ç, ğ, ı, İ, ö, ş ve ü harflerinin doğru ayrılması temel gerekliliktir. Düşük çözünürlükte nokta, kanca veya iki nokta işaretleri silinebilir; “ı” ile “i”, “ş” ile “s”, “ö” ile “o” karışabilir. Eski baskılarda mürekkep yayılması, satır sonu tireleri ve farklı yazı tipleri bu sorunu büyütür. Yabancı dil modeliyle yapılan tanıma, biçim olarak yakın fakat Türkçede yanlış dizileri tercih edebilir. Bu nedenle sayfanın dili doğru belirtilmeli ve Türkçe eğitim verisi kullanılmalıdır.
Harf tanıma hatası Türkçenin eklemeli yapısında zincirleme etki yaratır. Sözcüğün sonundaki tek bir yanlış karakter, çokluk, iyelik veya durum ekinin çözümlenmesini engelleyebilir; gövdedeki hata ise sözcüğün sözlükte bulunamamasına yol açar. Satır sonunda bölünmüş bir sözcüğün yanlış birleştirilmesi yapay yeni sözcük üretir. Düzeltme aşaması yalnız sözlükte en yakın biçimi seçmemeli; cümle bağlamını, olası ek dizisini ve kaynak görüntüsünü birlikte değerlendirmelidir. Aksi hâlde gerçek seyrek sözcükler yaygın bir sözcüğe zorla çevrilebilir.
Kalite ölçümü ve düzeltme
Tanıma başarısı karakter hata oranı ve sözcük hata oranı gibi ölçülerle değerlendirilebilir. Karakter düzeyi küçük farkları gösterirken sözcük düzeyi dil araştırması için daha doğrudan bir fikir verir. Ancak ortalama oran belgenin her bölümünü eşit temsil etmeyebilir; başlıklar, italik metin, dipnotlar ve tablolar ana paragraflardan daha sorunlu olabilir. Örnekleme farklı sayfa türlerini kapsamalı, yalnız kolay sayfalar üzerinden başarı sonucu çıkarılmamalıdır.
Otomatik düzeltme kuralları yüksek güvenli örüntülerde etkilidir: Satır sonu bölünmeleri, yinelenen başlıklar, görünür kontrol karakterleri ve belirli harf karışmaları çoğu kez güvenle yakalanabilir. Yine de kaynak görüntü değişmez kanıt olarak korunmalıdır. Düzeltme öncesi ve sonrası metin, uygulanan kural ve güven değeri kaydedildiğinde işlem geri alınabilir ve yeniden değerlendirilebilir. Büyük derlemlerde amaç her sayfayı elle kusursuzlaştırmak değil; araştırma sonuçlarını bozacak sistematik hataları belirleyip ölçülebilir biçimde azaltmaktır.
Derlem üretimindeki yeri
Basılı kaynakları derleme katmak için optik karakter tanıma vazgeçilmez bir geçiş aşamasıdır. Tanınan metin cümlelere ayrılır, yinelenen sayfa öğeleri temizlenir, dil denetiminden geçirilir ve ardından lematizasyon ile alan-tür çözümlemesine aktarılır. OCR gürültüsü bu zincirin başında temizlenmezse yanlış cümle sınırları, sahte yüzey biçimleri ve hatalı lemalar üretir. Bu yüzden kalite kapısı belgeyi bütünüyle reddetmek ile her çıktıyı kabul etmek arasında aşamalı kararlar vermelidir.
GTS işleme yaklaşımında kaynak kimliği, dosya adı ve mümkün olduğunda sayfa ya da belge bağlantısı korunur. Otomatik düzeltmeler özgün metinle karşılaştırılabilir tutulur; olağan dışı sözcükler yeni madde adayı yapılmadan önce görüntü veya güvenilir metin bağlamıyla denetlenir. Canlı derlem izi, optik karakter tanıma teriminin ve yakın biçimlerinin derlemdeki güncel görünürlüğünü gösterir. Bu sayı tanıma kalitesini ölçmez; kavramın metinlerde ne ölçüde konuşulduğunu gösteren ayrı bir kullanım göstergesidir.
Sayfa düzeni ve okuma sırası
Karakterlerin doğru tanınması, sayfanın doğru okunacağı anlamına gelmez. Gazete sütunları, dipnotlar, yan başlıklar, tablo hücreleri, resim altyazıları ve karşılıklı sayfalar önce bölgelere ayrılmalı; bölgelerin hangi sırayla birleştirileceği belirlenmelidir. Düzen çözümlemesi başarısız olduğunda her sözcük tek tek doğru olsa bile iki sütunun satırları birbirine karışabilir, başlık gövde cümlesinin ortasına girebilir veya dipnot ana metin gibi okunabilir. Bu tür hatalar dil modeliyle kolayca düzeltilemez, çünkü sorun harf değil belge yapısıdır. Sayfa koordinatlarını ve bölge türlerini saklayan ALTO benzeri gösterimler, çıkarılmış metni özgün görüntüdeki konumuna bağlayarak hem otomatik denetimi hem insan incelemesini kolaylaştırır.
Belge türüne göre ön işleme stratejisi değişir. Temiz doğmuş-dijital PDF'de metin katmanını doğrudan çıkarmak çoğu zaman OCR'dan daha güvenlidir; taranmış kitapta eğrilik giderme, sayfa kenarını temizleme ve karşı sayfa gölgesini azaltma gerekebilir. Eski gazete mikrofilmlerinde düşük karşıtlık ve kâğıt lekeleri, modern ekran görüntülerinde ise ölçekleme ve sıkıştırma izleri baskındır. Tek bir eşik ve görüntü büyüklüğünü bütün belgelere uygulamak, bazı kaynakları iyileştirirken başkalarını bozar. Sistem önce sayfa özelliklerini ölçmeli, uygun tanıma profilini seçmeli ve güven değeri olağandışı düştüğünde farklı bir profil veya yeniden örnekleme yöntemiyle sınırlı yeniden deneme yapmalıdır.
Dilsel düzeltme ve izlenebilirlik
OCR sonrası dilsel düzeltme, sözlükte bulunmayan her biçimi en yakın bilinen sözcüğe çevirmek değildir. Yeni sözcükler, özel adlar, ağız biçimleri ve teknik terimler de başlangıçta bilinmeyen görünebilir. Güvenli sistem; karakter benzerliğini, sözcüğün görüntü güvenini, Türkçe harf dizilerini ve cümle bağlamını birlikte değerlendirir. Önerilen düzeltme anlamlı bir cümle kuruyor, görüntüdeki belirsiz karakterlerle uyum gösteriyor ve kaynak boyunca tutarlı biçimde tekrarlanıyorsa güven yükselir. Buna karşılık tek bir düşük çözünürlüklü tanıkta yapılan büyük değişiklik otomatik uygulanmaz. Düzeltme ile lematizasyon ayrı aşamalar olarak korunur; yanlış yazı tanımayı biçimbilim kuralıyla örtmek, hatanın kaynağını görünmez kılar.
İzlenebilir iş akışı özgün görüntüyü, ham OCR çıktısını, temizlenmiş metni ve uygulanan dönüşümleri birbirine bağlar. Her cümle için belge ve mümkünse sayfa konumu tutulduğunda sözlük editörü kuşkulu bir adayı doğrudan görsel kanıtla karşılaştırabilir. Kalite örneklemesi yalnız en düşük güvenli sayfalara değil, görünürde yüksek güvenli sayfalara da uygulanır; çünkü sistematik bir yazı tipi hatası yanlış sonuçlara yüksek puan verebilir. Karakter hata oranı, sözcük hata oranı, cümle bütünlüğü ve sayfa düzeni başarısı ayrı ölçülür. Bu kayıtlar yeni OCR profillerini sınamaya, önce işlenmiş belgeleri geriye dönük iyileştirmeye ve hangi kaynakların araştırma için yeterli güven düzeyine ulaştığını açıklamaya yarar.
Doğrulanmış kaynakça
- Tesseract OCR Project (2026). Tesseract User Manual, 5.x documentation. Kaynağı aç
- Library of Congress, National Digital Newspaper Program (2018). “Digitizing Microfilm and Optical Character Recognition (OCR)”. Kaynağı aç
- Library of Congress. “ALTO: Technical Metadata for Layout and Text Objects”. Kaynağı aç