یک روش جدید برای مکان یابی کلمات در متون تاریخی دست نویس فارسی

بازشناسی متون دستنویس یکی از مسائل مهم در حوزه ی بازشناسی الگوست که اگرچه در چند دهه ی اخیر، تحقیقات وسیعی روی آن صورت گرفته اما هنوز از برخی جهات به عنوان یک مسئله ی باز مطرح است. یکی از زمینه هایی که در بازشناسی متون دستنویس فارسی خیلی کم به آن پرداخته شده و جای پژوهش بسیار دارد، مکان یابی کلمات (word spotting) ، در متون تاریخی دست نویس است. اهمیت موضوع زمانی بهتر مشخص می شود که بدانیم در کشور عزیز ما ایران، گنجینه های بسیار گران بهایی از کتب، متون و اسناد بسیار مهم تاریخی و مذهبی دست نویس وجود دارد و در کتابخانه های بزرگ به صورت آرشیو در مکانهای مخصوص نگه داری و محافظت می شود و تنها تصاویر اسکن شده آن به صورتcd یا dvd در اختیار محققان و پژوهشگران علوم انسانی- مذهبی- تاریخی- پزشکی و... قرار می گیرد. متأسفانه اکثر این متون، فاقد هرگونه واژه نامه و فهرست(index) می باشند، بنابراین پیداکردن اصطلاحات و کلمات کلیدی در این کتب به سختی و با جستجوی چشمی تمام صفحات کتاب صورت می گیرد که کاری بسیار طاقت فرسا ، وقت گیر و غیر دقیق است. هدف این پایان نامه، ارائه ی یک روش برای مکان یابی کلمات در متون تاریخی دست نویس فارسی است. در این روش ابتدا عملیات پیش پردازش برروی تصاویر اسکن شده ی متن تاریخی صورت می پذیرد و سپس از تصاویر پیش پردازش شده ، خطوط کتاب و به دنبال آن زیرکلمات هر خط جداسازی می گردد. در ادامه، از تصویر هر زیرکلمه دو دسته ویژگی مبتنی بر ستونهای تصویر و مبتنی بر ناحیه بندی تصویر استخراج می شود. معیار شباهت تصاویر زیرکلمات، ترکیبی از میزان شباهت های هریک از این دو نوع ویژگی تصاویر است که به طور جداگانه محاسبه شده اند. شباهت ویژگی های نوع اول مبتنی بر تطبیق انحراف زمانی پویا (dynamic time warping) محاسبه می شود و شباهت ویژگی دوم مبتنی بر محاسبه ی فاصله اقلیدسی بین بردار چگالی نواحی دو تصویر است. در مرحله ی بعد، زیرکلمات استخراج شده، توسط یک الگوریتم خوشه بندی در کلاسهای هم ارز طبقه بندی می شوند. درآخر هم باید یک ناظر، کلاس های ایجادشده را برچسب بزند. این فرایند، اگرچه بسیار وقت گیر است اما برای هر کتاب، تنها کافیست یکبار اجرا شود تا اطلاعات خوشه ها ذخیره گردد. بعداز انجام این کار، هرگاه یک کاربر نهایی کلمه ای را جستجو کند، سیستم آن را به زیرکلمات می شکند و براساس اطلاعات ذخیره شده ی زیرکلمات، مکان های وقوع احتمالی آن کلمه را در کتاب عرضه خواهد داشت. این فرایند، برروی یک کتاب تاریخی دست نویس فارسی که در کتابخانه ی مرکزی دانشگاه بیرجند نگه داری می شود، مورد آزمایش قرار گرفت. نتایج مراحل تطبیق و خوشه بندی، خوب و قابل قبول بود اما مشکل اصلی در مرحله ی جداسازیست؛ زیرا اولا در تعداد زیادی از خطوط کتاب، زیرکلمات به هم چسبیده اند و ثانیا در بسیاری از موارد نیز، زیرکلمات برروی هم قرار گرفته اند که کار اختصاص نقاط و سرکش ها را باخطای زیاد مواجه می نماید.