Takip et

Kaydırmalı Ekran Kayıtlarından Metin Çıkaran C++ Aracı: Derinlemesine Bir Rehber

Dijital çağda bilgiye erişim ve işleme hızı, bireyler ve kurumlar için kritik bir öneme sahiptir.

Kaydırmalı Ekran Kayıtlarından Metin Çıkaran C++ Aracı: Derinlemesine Bir Rehber

Dijital çağda bilgiye erişim ve işleme hızı, bireyler ve kurumlar için kritik bir öneme sahiptir. Özellikle kaydırmalı ekran kayıtları gibi dinamik görsel içeriklerden metin verisi elde etmek, manuel yöntemlerle zaman alıcı ve hataya açık bir süreçtir. Peki, bu zorluğu aşmak ve değerli metinleri otomatik olarak çıkarmak mümkün müdür? Bu makale, C++ kullanarak kaydırmalı ekran kayıtlarından metin çıkarmak için güçlü ve verimli bir araç geliştirmenin inceliklerini adım adım açıklayacak, böylece siz de bu karmaşık görevi kolayca otomatikleştirebileceksiniz.

Neden Kaydırmalı Ekran Kayıtlarından Metin Çıkarmaya İhtiyaç Duyarız?

Günümüz dijital dünyasında, bilgi akışı her zamankinden daha hızlı ve çeşitli kanallardan gelmektedir. Bu kanallardan biri de, özellikle sosyal medya platformlarında, eğitim içeriklerinde veya yazılım demolarında sıkça karşılaştığımız kaydırmalı ekran kayıtlarıdır. Bir sunumun ekran kaydı, uzun bir kod dosyasının gösterimi, bir web sayfasının aşağı kaydırılarak yapılan tanıtımı veya bir sohbet geçmişinin videosu gibi birçok senaryoda, önemli metinsel bilgiler bu kayıtların içinde gizli kalır. Bu metinleri manuel olarak kopyalayıp yapıştırmak veya elle not almak, özellikle uzun kayıtlar söz konusu olduğunda hem zaman alıcı hem de yorucu bir iştir. Ayrıca, insan hatasına açık olması nedeniyle veri bütünlüğünü de tehlikeye atar.

İşletmeler ve bireyler için bu tür bir aracın gerekliliği çeşitli senaryolarda ortaya çıkar. Örneğin, bir yazılım geliştiricisi, eski bir sistemin kullanıcı arayüzünü gösteren bir ekran kaydından, metin alanlarındaki veri girişlerini veya menü öğelerini otomatik olarak çıkarmak isteyebilir. Bu veriler, yeni bir sistem geliştirilirken referans noktası olabilir veya otomasyon testleri için girdi sağlayabilir. Bir araştırmacı, uzun bir bilimsel makalenin video sunumundan anahtar kelimeleri veya önemli tanımları hızla ayıklamak isteyebilir. Hukuk firmaları, video kanıtlarındaki yazılı ifadeleri veya belgeleri taramak için bu tür bir araca ihtiyaç duyabilirler. Müşteri hizmetleri departmanları, kullanıcıların yaşadığı sorunları gösteren ekran kayıtlarından hata mesajlarını veya spesifik adımları otomatik olarak toplayarak sorun giderme süreçlerini hızlandırabilirler. Eğitim sektöründe ise, ders videolarındaki notları veya önemli bilgileri öğrencilerin kolayca erişebileceği metin formatına dönüştürmek, öğrenme materyallerinin verimliliğini artırabilir. Kısacası, kaydırmalı ekran kayıtlarından metin çıkarma yeteneği, bilginin erişilebilirliğini artırır, veri analizi süreçlerini hızlandırır ve manuel iş yükünü önemli ölçüde azaltır. Bu, sadece verimliliği artırmakla kalmaz, aynı zamanda daha önce erişilmesi zor olan verilere yeni bir perspektif kazandırarak, karar alma süreçlerini de olumlu yönde etkiler.

Temel Kavramlar: OCR, Görüntü İşleme ve Video Analizi Nasıl Çalışır?

Kaydırmalı ekran kayıtlarından metin çıkarma aracı geliştirmek, birkaç temel teknolojik bileşenin bir araya getirilmesini gerektirir. Bu bileşenler arasında Optik Karakter Tanıma (OCR), görüntü işleme ve video analizi yer alır. Bu kavramları anlamak, aracın nasıl çalıştığını ve karşılaşılan zorlukların nasıl aşılabileceğini kavramak için hayati öneme sahiptir.

Optik Karakter Tanıma (OCR) Nedir ve Nasıl Kullanılır?

Optik Karakter Tanıma (OCR), basılı veya el yazısı metin içeren görüntüleri makine tarafından okunabilir metin verisine dönüştürme işlemidir. Bir ekran kaydındaki metni tanımak için, her bir video karesi aslında bir görüntü olarak ele alınır ve OCR motoru bu görüntülerdeki karakterleri algılayarak onları dijital metne çevirir. OCR teknolojileri, harflerin ve rakamların şekillerini analiz eder, onları bilinen karakter setleriyle eşleştirir ve ardından bir kelime veya cümle oluşturmak için bir araya getirir. Gelişmiş OCR sistemleri, farklı yazı tiplerini, boyutlarını ve hatta bazen el yazısını bile tanıyabilir. Bu süreçte, görüntünün kalitesi, metnin netliği ve arka plan karmaşıklığı, OCR’nin doğruluğunu doğrudan etkileyen faktörlerdir. Örneğin, bulanık veya düşük çözünürlüklü bir görüntüden metin çıkarmak, keskin ve yüksek çözünürlüklü bir görüntüye göre çok daha zor olacaktır. Tesseract gibi açık kaynaklı OCR motorları veya Google Cloud Vision API gibi bulut tabanlı çözümler, bu tür araçlarda sıklıkla tercih edilen seçeneklerdir. C++ ile geliştirilen bir araçta, bu OCR motorlarının kütüphaneleri entegre edilerek, video kareleri üzerinde metin tanıma işlemi gerçekleştirilir.

Görüntü İşleme Teknikleri Metin Çıkarma Sürecine Nasıl Katkı Sağlar?

Görüntü işleme, OCR sürecinin verimliliğini ve doğruluğunu artırmak için kritik bir ön adımdır. Video kareleri genellikle gürültü, değişken aydınlatma, bulanıklık veya perspektif bozulmaları gibi kusurlar içerebilir. Görüntü işleme teknikleri, bu kusurları gidermeye ve metin alanlarını OCR için daha uygun hale getirmeye yardımcı olur. Temel görüntü işleme adımları şunları içerebilir:

  • Gri Tonlamaya Dönüştürme: Renkli görüntüleri gri tonlamalıya çevirmek, işlem yükünü azaltır ve metin ile arka plan arasındaki kontrastı vurgulamaya yardımcı olabilir.
  • Binarizasyon (İkilikleştirme): Görüntüyü sadece siyah ve beyaz piksellerden oluşan bir hale dönüştürmek, metin karakterlerini arka plandan net bir şekilde ayırır. Bu işlem, metnin daha kolay tanınmasını sağlar.
  • Gürültü Azaltma: Medyan filtreleme veya Gauss bulanıklığı gibi teknikler, görüntüdeki rastgele pikselleri (gürültüyü) gidererek karakter kenarlarını düzeltir.
  • Kontrast Ayarlama ve Keskinleştirme: Metin ile arka plan arasındaki farkı artırmak veya karakter kenarlarını daha belirgin hale getirmek, OCR motorunun işini kolaylaştırır.
  • Metin Alanı Tespiti: Görüntüdeki metin içeren bölgeleri belirlemek, OCR’nin tüm görüntü yerine sadece ilgili alanlarda çalışmasını sağlayarak performansı artırır.

OpenCV gibi güçlü görüntü işleme kütüphaneleri, C++ uygulamalarında bu tür işlemleri gerçekleştirmek için geniş bir fonksiyon seti sunar. Bu adımlar, OCR motoruna beslenen verinin kalitesini doğrudan artırarak, metin tanıma oranını önemli ölçüde yükseltir.

Video Analizi ve Kaydırma Mekaniği Nasıl Ele Alınır?

Video analizi, kaydırmalı ekran kayıtlarından metin çıkarmanın en özgün ve zorlayıcı kısımlarından biridir. Bir video, ardışık karelerden oluşur ve kaydırma hareketi, metnin her karede farklı bir konumda görünmesine neden olur. Etkili bir video analizi, bu kaydırma hareketini algılamalı ve metinlerin tekrarlanmasını önleyerek veya yeni metinleri tespit ederek benzersiz metinler çıkarmalıdır. Bu süreç genellikle şu adımları içerir:

  • Kare Çıkarma: Video akışını belirli aralıklarla veya tüm kareleri ayrı görüntüler olarak çıkarmak.
  • Hareket Tespiti ve Takibi: Kareler arasındaki piksel değişikliklerini analiz ederek kaydırma yönünü ve hızını belirlemek. Bu, iki ardışık kare arasındaki benzer bölgeleri bulmaya dayanır.
  • Metin Birleştirme ve Tekrarı Önleme: Kaydırma hareketi nedeniyle aynı metin parçası birden fazla karede görünebilir. Çıkarılan metinleri birleştirmek ve mükerrer girişleri elemek için akıllı algoritmalar gereklidir. Bu genellikle, bir önceki karede tespit edilen metinlerin konumlarını ve içeriklerini bir sonraki karedeki metinlerle karşılaştırarak yapılır. Eğer bir metin parçası bir önceki karede zaten tam olarak tespit edilmiş ve kaydedilmişse, tekrar eklenmez. Yalnızca yeni ortaya çıkan veya daha önce tam görünmeyen metin parçaları işlenir.
  • Metin Konumlandırma ve Sıralama: Çıkarılan metinlerin video içindeki orijinal konumlarına göre sıralanması ve yapılandırılması, anlamlı bir çıktı elde etmek için önemlidir.

Bu bileşenlerin entegrasyonu, C++ aracının sadece metinleri tanımakla kalmayıp, aynı zamanda onların dinamik video ortamındaki bağlamını da anlamasını sağlar. Bu sayede, kaydırmalı bir ekrandan kesintisiz ve anlamlı bir metin akışı elde edilebilir.

C++ Neden Bu Tür Bir Araç İçin İdeal Bir Seçimdir?

Kaydırmalı ekran kayıtlarından metin çıkarma gibi performans yoğun bir uygulama geliştirmek söz konusu olduğunda, C++ programlama dili birçok açıdan ideal bir seçim olarak öne çıkmaktadır. Yüksek performans gerektiren sistemler, özellikle video işleme ve OCR gibi yoğun hesaplama süreçleri içeren uygulamalar için C++’ın sunduğu avantajlar yadsınamaz.

Performans ve Kaynak Yönetimi

C++, donanım seviyesine yakın kontrol ve düşük seviyeli bellek yönetimi yetenekleri sayesinde benzersiz bir performans sunar. Video akışını karelere ayırmak, her kare üzerinde karmaşık görüntü işleme algoritmaları uygulamak ve ardından OCR motorunu çalıştırmak, önemli miktarda işlem gücü ve bellek gerektiren işlemlerdir. C++ ile geliştirilen uygulamalar, bu tür görevleri daha hızlı ve daha verimli bir şekilde yerine getirebilir. Doğrudan bellek manipülasyonu, özel bellek ayırma stratejileri ve derleyici optimizasyonları sayesinde, C++ diğer üst düzey dillerin genellikle sahip olmadığı bir hız avantajı sağlar. Bu, özellikle büyük boyutlu video dosyalarıyla çalışırken veya gerçek zamanlıya yakın işleme gerektiren durumlarda kritik bir faktördür. Python gibi yorumlanan dillerin aksine, C++ kodu doğrudan makine koduna derlenir, bu da çalışma zamanı performansını maksimize eder.

Geniş Kütüphane Desteği ve Ekosistem

C++, görüntü işleme, bilgisayar görüşü ve makine öğrenimi alanlarında zengin ve olgun kütüphane ekosistemine sahiptir. Bu kütüphaneler, karmaşık algoritmaları sıfırdan yazma ihtiyacını ortadan kaldırarak geliştirme sürecini hızlandırır ve kolaylaştırır. Bu projemiz için özellikle önemli olan kütüphaneler şunlardır:

  • OpenCV (Open Source Computer Vision Library): Görüntü ve video işleme için dünyanın en popüler kütüphanelerinden biridir. OpenCV, video okuma/yazma, kare çıkarma, görüntü manipülasyonu (boyutlandırma, filtreleme, renk alanı dönüşümü), nesne tespiti ve hareket analizi gibi sayısız fonksiyonellik sunar. C++ arayüzü sayesinde, bu işlevler yüksek performansla kullanılabilir.
  • Tesseract OCR: Google tarafından desteklenen açık kaynaklı bir OCR motorudur. Tesseract, birçok dili destekler ve çeşitli görüntü kalitelerinde oldukça iyi performans gösterir. C++ uygulamalarına kolayca entegre edilebilir ve OCR işlemlerinin temelini oluşturur.
  • FFmpeg: Video ve ses dosyalarını işlemek için güçlü bir multimedya çerçevesidir. Video akışlarını çözmek, karelere ayırmak ve farklı formatlar arasında dönüştürmek için kullanılabilir. Genellikle OpenCV’nin video okuma yeteneklerinin altında yatan motorlardan biridir.

Bu kütüphanelerin C++ ile doğal entegrasyonu, geliştiricilere güçlü araçlar sunar ve projenin karmaşıklığını yönetmelerine yardımcı olur. Ayrıca, bu kütüphanelerin genellikle C++ ile yazılmış olması, performansın korunmasına ve daha derinlemesine özelleştirmelere olanak tanır.

Sistem Entegrasyonu ve Platform Bağımsızlığı

C++, işletim sistemi çekirdekleri, gömülü sistemler ve yüksek performanslı sunucu uygulamaları gibi geniş bir yelpazede kullanılabilen, platform bağımsız bir dildir. Geliştirilen metin çıkarma aracı, Windows, Linux veya macOS gibi farklı işletim sistemlerinde derlenebilir ve çalıştırılabilir. Bu, aracın geniş bir kullanıcı tabanına ulaşmasını ve farklı sistem gereksinimlerine uyum sağlamasını kolaylaştırır. Ayrıca, diğer sistemlerle (örneğin, bir veritabanı sistemi veya bir web API’si) entegrasyon gerektiğinde, C++’ın sunduğu esneklik ve düşük seviye kontrol yeteneği büyük avantaj sağlar. Bu, geliştirilen aracın sadece tek başına bir uygulama olmakla kalmayıp, daha büyük bir iş akışının veya sistemin bir parçası olarak da kolayca konumlandırılabilmesini sağlar. Özetle, C++’ın performansı, zengin kütüphane desteği ve sistem entegrasyonu yetenekleri, kaydırmalı ekran kayıtlarından metin çıkarma gibi zorlu ve karmaşık bir görev için onu vazgeçilmez bir seçenek haline getirmektedir.

Bir C++ Metin Çıkarma Aracının Mimarisi Nasıl Olmalıdır?

Kaydırmalı ekran kayıtlarından metin çıkarma aracı geliştirmek, modüler ve ölçeklenebilir bir mimari gerektirir. Bu mimari, farklı bileşenlerin bağımsız olarak geliştirilmesine, test edilmesine ve bakımının yapılmasına olanak tanır. Temel olarak, aracın mimarisi dört ana bileşenden oluşmalıdır: Video Giriş Modülü, Görüntü İşleme Modülü, OCR Modülü ve Metin Birleştirme/Çıkış Modülü.

Video Akışını Karelere Ayırma ve Ön İşleme Adımları

Aracın ilk adımı, girdi olarak alınan video dosyasını işlenebilir karelere ayırmaktır. Bu, Video Giriş Modülü’nün sorumluluğundadır. Bu modül, videoyu kare kare okur ve her kareyi bir görüntü olarak Görüntü İşleme Modülü’ne iletir. OpenCV kütüphanesi, bu görevi C++’ta kolayca yerine getirmek için güçlü araçlar sunar.


#include <opencv2/opencv.hpp>
#include <iostream>

void processVideo(const std::string& videoPath) {
    cv::VideoCapture cap(videoPath); // Video dosyasını aç
    if (!cap.isOpened()) {
        std::cerr << "Video dosyası açılamadı: " << videoPath << std::endl;
        return;
    }

    cv::Mat frame;
    int frameCount = 0;
    while (true) {
        cap >> frame; // Bir sonraki kareyi oku
        if (frame.empty()) { // Video bitti mi?
            break;
        }

        // Burada Görüntü İşleme Modülü'ne kareyi ileteceğiz
        // Örneğin: preprocessFrame(frame);
        std::cout << "Kare " << ++frameCount << " işleniyor..." << std::endl;
        // cv::imshow("Video Karesi", frame); // İsteğe bağlı: kareyi göster
        // if (cv::waitKey(1) == 'q') break; // İsteğe bağlı: 'q' tuşuna basınca çık
    }
    cap.release(); // Video kaynağını serbest bırak
    // cv::destroyAllWindows(); // İsteğe bağlı: tüm pencereleri kapat
}

int main() {
    processVideo("input_video.mp4"); // Örnek kullanım
    return 0;
}
  

Yukarıdaki örnek kod, OpenCV kullanarak bir video dosyasını nasıl açıp kare kare okuyacağınızı göstermektedir. Her bir

cv::Mat

nesnesi, bir video karesini temsil eder ve üzerinde görüntü işleme teknikleri uygulanabilir. Görüntü İşleme Modülü, bu kareleri alarak OCR için optimize edilmiş hale getirir. Bu optimizasyon adımları, gri tonlamaya dönüştürme, binarizasyon, gürültü azaltma ve kontrast iyileştirme gibi işlemleri içerebilir. Bu adımlar, OCR motorunun metinleri daha doğru bir şekilde tanımasını sağlamak için kritik öneme sahiptir. Ayrıca, kaydırma hareketini daha doğru tespit etmek için kareler arasında fark analizi gibi teknikler de bu aşamada uygulanabilir. Örneğin, bir karedeki metin alanlarının bir önceki karedeki konumlarıyla karşılaştırılması, metnin ne kadar kaydığını ve hangi yöne hareket ettiğini belirlememize yardımcı olur.

Gelişmiş OCR Teknikleri ve Entegrasyon

Görüntü İşleme Modülü’nden gelen optimize edilmiş kareler, OCR Modülü’ne iletilir. Bu modül, her karedeki metni tanımaktan sorumludur. Tesseract OCR motoru, C++ uygulamalarıyla kolayca entegre edilebilir ve bu görev için mükemmel bir seçimdir. Entegrasyon, Tesseract’ın C++ API’sini kullanarak yapılır.


#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h> // Görüntü işleme için (Tesseract ile gelir)
// ... diğer OpenCV başlıkları

std::string performOcr(const cv::Mat& image) {
    tesseract::TessBaseAPI *ocr = new tesseract::TessBaseAPI();
    // OCR motorunu başlat, "eng" İngilizce dil paketi, "NULL" varsayılan veri yolu
    if (ocr->Init(NULL, "tur")) { // Türkçe için "tur" kullanın
        std::cerr << "Tesseract OCR başlatılamadı." << std::endl;
        return "";
    }

    // OpenCV mat nesnesini Tesseract'ın anlayacağı Pix formatına dönüştür
    // OpenCV'nin Mat'ini doğrudan kullanmak için bazı adaptasyonlar gerekebilir
    // Veya Leptonica'nın Pix nesnesine dönüştürmek en güvenli yoldur.
    // Örnek olarak, basit bir dönüşüm varsayalım:
    Pix *pix = pixCreate(image.cols, image.rows, 8); // 8-bit gri tonlama için
    for (int y = 0; y < image.rows; ++y) {
        for (int x = 0; x < image.cols; ++x) {
            pixSetPixel(pix, x, y, image.at<uchar>(y, x)); // Gri tonlamalı pikseli ayarla
        }
    }
    // Eğer image zaten gri tonlamalı değilse, önce cv::cvtColor ile dönüştürülmeli

    ocr->SetImage(pix);
    char *outText = ocr->GetUTF8Text(); // Metni çıkar
    std::string recognizedText(outText);

    delete [] outText;
    pixDestroy(&pix);
    ocr->End();
    delete ocr;

    return recognizedText;
}
  

Bu kod parçası, Tesseract’ı başlatma, bir görüntüyü ona besleme ve metni çıkarma temel adımlarını göstermektedir. Gerçek bir uygulamada, her karedeki tüm metni değil, sadece hareket eden veya yeni ortaya çıkan metinleri tanımak isteyebiliriz. Bu, Metin Birleştirme/Çıkış Modülü’nün sorumluluğundadır. Bu modül, birden fazla kareden gelen OCR çıktılarını analiz eder, tekrarlayan metinleri filtreler ve kaydırma hareketini göz önünde bulundurarak benzersiz metin parçalarını birleştirir. Bu, metinlerin doğru sırayla ve bağlam içinde sunulmasını sağlar. Örneğin, ardışık karelerde aynı metin parçası farklı konumlarda görünebilir; bu modül, bu parçaları tek bir metin girdisi olarak algılamalıdır. Metinlerin zaman damgaları veya kare numaraları ile birlikte saklanması, daha sonraki analizler için faydalı olabilir.

Metin Birleştirme ve Tekrarı Önleme Algoritmaları

Bu, kaydırmalı ekran kayıtları için en karmaşık kısımlardan biridir. Her karede OCR çalıştırıldıktan sonra, aynı metin birçok kez tespit edilebilir. Bu tekrarları önlemek ve metinleri doğru sırayla birleştirmek için akıllı algoritmalar gereklidir. Yaklaşımlardan biri, her karede algılanan metin kutularının (bounding boxes) konumlarını ve içeriklerini takip etmektir. Eğer bir metin kutusu bir önceki karede tespit edilen bir metin kutusuyla büyük ölçüde örtüşüyor ve içeriği benzerse, bu büyük olasılıkla aynı metin parçasıdır ve tekrar eklenmemelidir. Metinler birleştirilirken, anlamsal bütünlük ve okuma akışı korunmalıdır. Örneğin, bir metin parçasının üst kısmı bir karede, alt kısmı ise bir sonraki karede görünebilir. Bu durumda, bu iki parçanın doğru bir şekilde birleştirilmesi gerekmektedir. Bu işlem genellikle bir “metin tamponu” veya “geçmiş metin veritabanı” tutularak gerçekleştirilir, burada daha önce görülen tüm metinler konumları ve içerikleriyle birlikte saklanır. Yeni tespit edilen metinler, bu tampondaki metinlerle karşılaştırılır ve yalnızca yeni veya tamamlayıcı bilgiler eklenir. Bu modülün çıktısı, kullanıcının istediği formatta (örneğin, düz metin dosyası, JSON veya XML) olabilir.

Adım Adım Uygulama: Temel Bir C++ Metin Çıkarma Modülü Oluşturma

Şimdiye kadar teorik altyapıyı ve mimariyi inceledik. Bu bölümde, C++ kullanarak kaydırmalı ekran kayıtlarından metin çıkarma aracının temel bir modülünü adım adım nasıl oluşturacağımızı pratik örneklerle ele alacağız. Bu uygulama, OpenCV ve Tesseract kütüphanelerinin entegrasyonunu gösterecek ve temel iş akışını açıklayacaktır.

Gerekli Kütüphanelerin Kurulumu ve Proje Yapılandırması

Başlamadan önce, C++ geliştirme ortamınızda OpenCV ve Tesseract kütüphanelerinin kurulu olduğundan emin olmalısınız. Kurulum adımları işletim sisteminize göre değişiklik gösterebilir, ancak genellikle şu adımları içerir:

  1. OpenCV Kurulumu: OpenCV’nin resmi web sitesinden veya paket yöneticiniz (örn. Ubuntu için apt-get install libopencv-dev, macOS için brew install opencv) aracılığıyla kurun.
  2. Tesseract OCR Kurulumu: Tesseract’ı ve ilgili dil paketlerini kurun (örn. Ubuntu için apt-get install tesseract-ocr libtesseract-dev tesseract-ocr-tur). Türkçe dil paketi için
    tesseract-ocr-tur

    paketini yüklediğinizden emin olun.

Proje yapılandırması için bir

CMakeLists.txt

dosyası kullanmak en yaygın ve esnek yöntemdir. Aşağıda basit bir örnek verilmiştir:


cmake_minimum_required(VERSION 3.10)
project(ScreenTextExtractor CXX)

set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED True)

# OpenCV kütüphanesini bul
find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS})

# Tesseract kütüphanesini bul
find_package(Tesseract REQUIRED) # TesseractConfig.cmake dosyasının bulunması gerekir
include_directories(${Tesseract_INCLUDE_DIRS})

# Kaynak dosyalarını ekle
add_executable(screen_text_extractor main.cpp)

# Kütüphaneleri bağla
target_link_libraries(screen_text_extractor ${OpenCV_LIBS} ${Tesseract_LIBRARIES})
  

Bu

CMakeLists.txt

dosyası, projenizi derlemek için gerekli olan OpenCV ve Tesseract kütüphanelerini bulur ve bağlar. Eğer

find_package(Tesseract REQUIRED)

komutu Tesseract’ı bulamazsa, Tesseract’ın kurulu olduğu dizini CMake’e belirtmeniz gerekebilir.

Video Karelerini Okuma ve Temel Görüntü Ön İşleme

Öncelikle, video dosyasından kareleri okuyacak ve her kare üzerinde temel görüntü ön işleme adımlarını uygulayacak bir fonksiyon oluşturalım. Bu adımlar, OCR doğruluğunu artırmak için kritik öneme sahiptir.


#include <opencv2/opencv.hpp>
#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>
#include <iostream>
#include <string>
#include <vector>
#include <set> // Tekrarları önlemek için

// Yardımcı fonksiyon: OpenCV Mat'i Leptonica Pix'e dönüştür
Pix* mat8ToPix(const cv::Mat& mat) {
    if (mat.empty() || mat.depth() != CV_8U) return nullptr;

    cv::Mat gray_mat;
    if (mat.channels() == 3) {
        cv::cvtColor(mat, gray_mat, cv::COLOR_BGR2GRAY);
    } else {
        gray_mat = mat;
    }

    Pix* pix = pixCreate(gray_mat.cols, gray_mat.rows, 8);
    if (!pix) return nullptr;

    for (int y = 0; y < gray_mat.rows; ++y) {
        for (int x = 0; x < gray_mat.cols; ++x) {
            pixSetPixel(pix, x, y, gray_mat.at(y, x));
        }
    }
    return pix;
}

std::string extractTextFromFrame(const cv::Mat& frame) {
    // 1. Görüntü Ön İşleme
    cv::Mat processedFrame;
    cv::cvtColor(frame, processedFrame, cv::COLOR_BGR2GRAY); // Gri tonlamaya dönüştür
    cv::threshold(processedFrame, processedFrame, 0, 255, cv::THRESH_BINARY + cv::THRESH_OTSU); // Binarizasyon
    // İsteğe bağlı: Gürültü azaltma (örneğin cv::medianBlur(processedFrame, processedFrame, 3);)

    // 2. OCR Uygulama
    tesseract::TessBaseAPI *ocr = new tesseract::TessBaseAPI();
    if (ocr->Init(NULL, "tur")) { // Türkçe dil paketi
        std::cerr << "Tesseract OCR başlatılamadı." << std::endl;
        delete ocr;
        return "";
    }

    Pix* pixFrame = mat8ToPix(processedFrame); // Mat'i Pix'e dönüştür
    if (!pixFrame) {
        std::cerr << "OpenCV Mat, Leptonica Pix'e dönüştürülemedi." << std::endl;
        ocr->End();
        delete ocr;
        return "";
    }

    ocr->SetImage(pixFrame);
    char *outText = ocr->GetUTF8Text();
    std::string recognizedText(outText ? outText : "");

    delete [] outText;
    pixDestroy(&pixFrame);
    ocr->End();
    delete ocr;

    return recognizedText;
}

int main() {
    std::string videoPath = "input_video.mp4";
    cv::VideoCapture cap(videoPath);

    if (!cap.isOpened()) {
        std::cerr << "Video dosyası açılamadı: " << videoPath << std::endl;
        return -1;
    }

    std::set uniqueTexts; // Tekrarları önlemek için set kullanıyoruz
    std::string previousFrameText = ""; // Önceki karedeki metni tutmak için

    cv::Mat frame;
    int frameCount = 0;
    while (true) {
        cap >> frame;
        if (frame.empty()) {
            break;
        }

        // Her N karede bir işleme (performans için)
        if (frameCount % 5 == 0) { // Her 5 karede bir işle
            std::string currentFrameText = extractTextFromFrame(frame);
            if (!currentFrameText.empty() && currentFrameText != previousFrameText) {
                // Metin üzerinde daha fazla işleme ve temizleme yapılabilir
                // Örneğin, boş satırları veya tek karakterleri filtreleme
                std::cout << "Kare " << frameCount << ": " << currentFrameText << std::endl;
                uniqueTexts.insert(currentFrameText); // Benzersiz metinleri kaydet
                previousFrameText = currentFrameText;
            }
        }
        frameCount++;
    }

    cap.release();
    std::cout << "\n--- Çıkarılan Benzersiz Metinler ---" << std::endl;
    for (const auto& text : uniqueTexts) {
        std::cout << text << std::endl;
    }

    return 0;
}
  

Bu

main.cpp

dosyası, video okuma, temel görüntü ön işleme (gri tonlama ve binarizasyon) ve Tesseract ile metin çıkarma işlemlerini bir araya getiriyor.

extractTextFromFrame

fonksiyonu, bir kareyi alır, işler ve metni döndürür.

main

fonksiyonu ise videoyu kare kare okur ve her N karede bir metin çıkarma işlemini tetikler.

std::set<std::string> uniqueTexts;

kullanarak tekrarlayan metinleri otomatik olarak filtreliyoruz ve

previousFrameText

ile ardışık karelerdeki aynı metinlerin tekrar basılmasını engelliyoruz. Bu, kaydırmalı ekran kayıtlarından metin çıkarmanın temelini oluşturur. Daha gelişmiş bir sistemde, metinlerin konumları da takip edilerek daha akıllı bir birleştirme yapılabilir. Örneğin, bir metin satırının bir karede yarısı, diğer karede diğer yarısı görünüyorsa, bu iki parçanın birleştirilmesi gerekir. Bu, metin kutularının (bounding box) koordinatlarını karşılaştırarak ve içerik benzerliğini kontrol ederek yapılabilir.

Gerçek Dünya Senaryoları ve Vaka Analizleri: Nerede ve Nasıl Kullanılır?

C++ ile geliştirilen bu tür bir metin çıkarma aracı, çeşitli gerçek dünya senaryolarında büyük faydalar sağlayabilir. Manuel olarak yapılması zor veya imkansız olan görevleri otomatikleştirmek, verimliliği artırmak ve yeni veri analiz fırsatları yaratmak için güçlü bir araçtır.

Eski Sistem Dokümantasyonundan Veri Çıkarma

Birçok şirket, yıllar önce geliştirilmiş ve güncel dokümantasyonu yetersiz olan eski yazılım sistemlerine sahiptir. Bu sistemlerin nasıl çalıştığını gösteren tek kaynak, eski ekran kayıtları veya eğitim videoları olabilir. Bu videolardaki menü isimleri, hata mesajları, form alanları veya veri giriş örnekleri gibi metinsel bilgiler, sistemin işleyişini anlamak ve modernize etmek için hayati öneme sahiptir. Manuel olarak bu metinleri videolardan ayıklamak, saatler hatta günler sürebilir ve yüksek hata oranı içerir. C++ metin çıkarma aracı, bu videoları otomatik olarak tarayarak tüm metinsel içeriği çıkarabilir ve yapılandırılmış bir formata dönüştürebilir. Örneğin, bir

XML

veya

JSON

dosyası olarak çıktı verebilir, bu da geliştiricilerin sistemin arayüzünü ve iş mantığını daha hızlı anlamasına olanak tanır. Bu sayede, eski sistemlerin modernizasyonu veya entegrasyonu için gerekli olan bilgi toplama süresi dramatik bir şekilde kısalır.

Eğitim Materyallerinden ve Sunumlardan Anahtar Bilgi Çıkarma

Üniversiteler, online eğitim platformları ve kurumsal eğitim departmanları, derslerin veya sunumların video kayıtlarını sıkça kullanır. Bu videolarda, slayt metinleri, önemli tanımlar, kod örnekleri veya konuşmacının ekranda gösterdiği notlar gibi değerli bilgiler bulunur. Öğrenciler veya katılımcılar için bu bilgilere hızlıca erişmek, öğrenme ve tekrar süreçlerini büyük ölçüde kolaylaştırır. C++ aracımız, bu eğitim videolarını analiz ederek tüm metinsel içeriği çıkarabilir ve aranabilir bir metin dosyası veya notlar halinde sunabilir. Örneğin, bir ders videosundaki tüm slayt metinlerini otomatik olarak çıkarıp bir

PDF

dosyasına dönüştürebilir veya video içinde belirli anahtar kelimelerin geçtiği anları zaman damgasıyla birlikte listeleyebilir. Bu, öğrencilerin ders notlarını daha verimli bir şekilde oluşturmalarına ve belirli konuları hızla bulmalarına yardımcı olur. Ayrıca, engelli bireyler için erişilebilirlik sağlamak amacıyla, videolardaki metinlerin Braille alfabesine çevrilmesi veya ekran okuyucular tarafından okunabilir hale getirilmesi de mümkün olabilir.

Hukuki Kanıt Analizi ve Güvenlik Monitörlüğü

Hukuk ve güvenlik sektörleri, video kayıtlarının analizine büyük önem verir. Güvenlik kameralarından alınan görüntüler veya mahkeme süreçlerinde sunulan ekran kayıtları, önemli metinsel kanıtlar içerebilir. Örneğin, bir güvenlik kamerasının kaydında geçen bir plaka numarası, bir suçlunun bilgisayar ekranındaki bir sohbet geçmişi veya bir belge görüntüsü gibi metinler, soruşturmalar için kritik olabilir. C++ metin çıkarma aracı, bu tür videolardaki metinleri otomatik olarak tespit edip çıkararak, manuel inceleme yükünü azaltır ve önemli kanıtların gözden kaçırılma riskini minimize eder. Özellikle uzun süreli video kayıtlarında, belirli anahtar kelimelerin aranması veya şüpheli metinsel desenlerin tespiti, soruşturma süreçlerini hızlandırabilir. Bu, kolluk kuvvetlerinin ve güvenlik analistlerinin daha verimli çalışmasına olanak tanır. Örneğin, bir bankanın güvenlik kayıtlarından şüpheli işlem kodlarını veya bir veri merkezinin giriş kayıtlarından belirli kullanıcı adlarını otomatik olarak çıkarmak, güvenlik ihlallerini daha hızlı tespit etmeye yardımcı olabilir.

Bu vaka analizleri, C++ ile geliştirilen kaydırmalı ekran kayıtlarından metin çıkarma aracının sadece teorik bir konsept olmadığını, aynı zamanda pratik ve değerli uygulamaları olan güçlü bir çözüm olduğunu göstermektedir. Her bir senaryoda, aracın temel yeteneği olan "otomatik metin çıkarma", insan kaynaklı hataları azaltırken verimliliği ve bilgi erişilebilirliğini artırmaktadır.

Performans Optimizasyonu ve Karşılaşılabilecek Zorluklar Nelerdir?

Kaydırmalı ekran kayıtlarından metin çıkarma aracı geliştirirken, performans optimizasyonu ve karşılaşılabilecek çeşitli zorluklar önemli hususlardır. Video işleme ve OCR, doğal olarak yoğun hesaplama gerektiren görevlerdir ve bu nedenle verimli bir çözüm tasarlamak kritik öneme sahiptir.

Performans Optimizasyonu Teknikleri

Bir C++ uygulamasında performansı artırmak için kullanılabilecek birçok teknik vardır:

  • Çoklu İş Parçacığı (Multithreading): Video karelerini okuma, görüntü işleme ve OCR işlemlerini ayrı iş parçacıklarına bölmek, işlem süresini önemli ölçüde azaltabilir. Örneğin, bir iş parçacığı videodan kareleri okurken, başka bir iş parçacığı daha önce okunmuş kareleri işleyebilir ve üçüncü bir iş parçacığı da OCR uygulayabilir. Bu, CPU'nun birden fazla çekirdeğini aynı anda kullanarak paralel işlemeyi mümkün kılar. C++11 ve sonraki standartlarda yer alan
    <thread>

    kütüphanesi veya OpenMP gibi paralel programlama çerçeveleri bu amaçla kullanılabilir.

  • GPU Hızlandırma: Özellikle görüntü işleme (OpenCV) ve bazı OCR motorları (CUDA destekli Tesseract sürümleri) GPU (Grafik İşlem Birimi) hızlandırmasını destekler. Görüntü işleme algoritmaları genellikle yüksek derecede paralelleştirilebilir olduğu için, GPU'lar CPU'ya göre çok daha hızlı işlem yapabilir. OpenCV'nin
    cuda

    modülü, bu tür hızlandırmaları C++ uygulamalarınıza entegre etmenizi sağlar.

  • Kare Atlatma (Frame Skipping): Her kareyi işlemek yerine, belirli aralıklarla kareleri atlayarak (örneğin, her 5 veya 10 karede bir) işlem yükünü azaltabilirsiniz. Kaydırmalı ekran kayıtlarında metinler genellikle yavaşça hareket ettiğinden, her karede metin çıkarılmasına gerek olmayabilir. Bu, özellikle video içeriği yavaş değiştiğinde veya metin hareketinin yavaş olduğu durumlarda performansı artırırken, çıkarılan metinlerin kalitesini önemli ölçüde düşürmez.
  • Metin Alanı Tespiti ve Kırpma: Tüm kare üzerinde OCR çalıştırmak yerine, sadece metin içermesi muhtemel bölgeleri tespit edip bu bölgeleri kırparak OCR motoruna beslemek, işlem süresini kısaltır ve doğruluğu artırır. OpenCV'nin kenar tespiti, kontur bulma ve bileşen analizi gibi fonksiyonları, bu tür metin bölgelerini tespit etmek için kullanılabilir.
  • Bellek Yönetimi: C++'ın düşük seviye bellek kontrolü avantajını kullanarak, gereksiz bellek kopyalamalarını önlemek ve bellek sızıntılarını engellemek performansı artırır. Akıllı işaretçiler (
    std::shared_ptr

    ,

    std::unique_ptr

    ) ve RAII (Resource Acquisition Is Initialization) prensipleri, bellek yönetimini daha güvenli ve verimli hale getirir.

Karşılaşılabilecek Zorluklar

Bu tür bir araç geliştirirken çeşitli zorluklarla karşılaşmak kaçınılmazdır:

  • Video Kalitesi ve Çözünürlük: Düşük çözünürlüklü, bulanık veya sıkıştırılmış videolardan doğru metin çıkarmak oldukça zordur. OCR motorları, net ve yüksek çözünürlüklü metinlere ihtiyaç duyar. Bu durum, ön işleme adımlarını daha kritik hale getirir ve bazen yeterli iyileştirme sağlanamayabilir.
  • Değişken Metin Boyutları ve Yazı Tipleri: Videoda farklı boyutlarda ve yazı tiplerinde metinler bulunabilir. OCR motorlarının tüm bu varyasyonları doğru bir şekilde tanıması için iyi eğitilmiş olması veya birden fazla dil ve yazı tipi modelini kullanması gerekebilir.
  • Arka Plan Karmaşıklığı ve Gürültü: Metnin arka planı çok renkli, desenli veya gürültülü olduğunda, metin ile arka planı ayırmak zorlaşır ve OCR doğruluğu düşer. Gelişmiş görüntü işleme filtreleri ve segmentasyon teknikleri bu sorunu hafifletebilir.
  • Kaydırma Hızı ve Yönü: Metnin kaydırma hızı çok yüksekse, hareket bulanıklığı (motion blur) oluşabilir ve bu da metinlerin okunmasını imkansız hale getirebilir. Ayrıca, kaydırma yönünün doğru bir şekilde tespit edilmesi, metin birleştirme algoritmaları için önemlidir.
  • Metin Birleştirme Zorlukları: Aynı metin parçasının farklı karelerde farklı konumlarda görünmesi, metinlerin doğru sırayla ve tekrarsız bir şekilde birleştirilmesini karmaşıklaştırır. Satır sonları, kelime aralıkları ve paragrafların doğru bir şekilde yeniden yapılandırılması özel algoritmalar gerektirir.
  • Dil Desteği: Tesseract gibi OCR motorları birçok dili desteklese de, bazı özel karakterler veya lehçeler için ek eğitim veya özelleştirme gerekebilir.

Bu zorlukların üstesinden gelmek için, güçlü ön işleme algoritmaları, akıllı metin birleştirme stratejileri ve kapsamlı testler yapmak gereklidir. Her zorluk, geliştirme sürecinde dikkatli bir analiz ve çözüm gerektiren bir mühendislik problemidir.

Gelecekteki Gelişmeler ve İleri Düzey Özellikler

C++ ile geliştirilen kaydırmalı ekran kayıtlarından metin çıkarma aracı, temel işlevselliğin ötesine geçerek daha gelişmiş özellikler ve yeteneklerle zenginleştirilebilir. Yapay zeka (AI) ve makine öğrenimi (ML) tekniklerinin entegrasyonu, aracın performansını ve akıllı yeteneklerini önemli ölçüde artırabilir.

Makine Öğrenimi ve Derin Öğrenme Entegrasyonu

Geleneksel OCR yaklaşımları belirli sınırlamalara sahipken, makine öğrenimi ve özellikle derin öğrenme (Deep Learning) tabanlı modeller, metin tanıma doğruluğunu ve esnekliğini devrim niteliğinde artırabilir. Birkaç entegrasyon alanı şunları içerebilir:

  • Gelişmiş Metin Alanı Tespiti: Görüntüdeki metin içeren bölgeleri daha doğru ve hızlı bir şekilde tespit etmek için YOLO (You Only Look Once) veya Faster R-CNN gibi nesne algılama modelleri kullanılabilir. Bu modeller, sadece metin olup olmadığını değil, aynı zamanda metnin dilini ve yazı tipini de tahmin edebilir. Bu sayede, OCR motoru sadece ilgili ve yüksek olasılıklı metin alanlarına odaklanarak verimliliği artırır.
  • Özelleştirilmiş OCR Modelleri: Tesseract gibi genel amaçlı OCR motorları iyi performans gösterse de, belirli yazı tipleri veya veri türleri (örneğin, kod snippet'leri, fatura bilgileri) için daha iyi performans gösteren özelleştirilmiş derin öğrenme tabanlı OCR modelleri (örneğin, CRNN - Convolutional Recurrent Neural Network tabanlı modeller) eğitilebilir. Bu modeller, özellikle düşük kaliteli veya alışılmadık metinler içeren videolardan metin çıkarırken büyük avantaj sağlayabilir.
  • Hareket Bulanıklığı Giderme (Deblurring): Derin öğrenme tabanlı görüntü işleme modelleri, hareket bulanıklığını otomatik olarak giderebilir. Bu, özellikle hızlı kaydırmalı videolarda metinlerin okunabilirliğini artırarak OCR doğruluğunu yükseltir.
  • Anlamsal Analiz ve Bilgi Çıkarma: Çıkarılan metinler üzerinde doğal dil işleme (NLP) teknikleri uygulanarak anlamsal analiz yapılabilir. Bu, anahtar kelime çıkarma, varlık tanıma (kişi, yer, organizasyon isimleri), duygu analizi veya özetleme gibi daha yüksek seviyeli bilgi çıkarma işlemlerine olanak tanır. Örneğin, bir eğitim videosundan çıkarılan metinlerden otomatik olarak bir özet oluşturulabilir.

Gerçek Zamanlı İşleme ve Akış Analizi

Mevcut yaklaşım genellikle videoyu önceden işlerken, gelecekteki geliştirmeler gerçek zamanlı veya akış tabanlı işleme yeteneklerini hedefleyebilir. Bu, canlı ekran kayıtlarından veya video konferans akışlarından anında metin çıkarma anlamına gelir. Gerçek zamanlı işleme, düşük gecikme süresi (low latency) gerektirir ve bu da daha fazla optimizasyon ve belki de daha güçlü donanım (örneğin, özel AI hızlandırıcılar) gerektirebilir. Bu, canlı yayın metinleri, canlı altyazılar veya anlık çeviri gibi uygulamalar için kapılar açar. Örneğin, bir canlı ders sırasında ekranda gösterilen metinlerin anında çevrilerek farklı dillerdeki öğrencilere sunulması mümkün olabilir.

Kullanıcı Arayüzü ve Entegrasyonlar

C++ tabanlı çekirdek motor, bir komut satırı aracı olarak kalabilirken, kullanıcı deneyimini iyileştirmek için bir grafik kullanıcı arayüzü (GUI) geliştirilebilir. Qt veya Electron gibi çerçeveler kullanılarak, kullanıcıların video dosyalarını kolayca seçmelerine, işleme ayarlarını yapılandırmalarına ve çıkarılan metinleri görüntülemelerine olanak tanıyan sezgisel bir arayüz oluşturulabilir. Ayrıca, aracın diğer uygulamalarla veya platformlarla entegrasyonu da önemlidir. Örneğin, çıkarılan metinlerin doğrudan bir veritabanına kaydedilmesi, bir bulut depolama hizmetine yüklenmesi veya bir web API'si aracılığıyla başka bir sisteme aktarılması gibi özellikler eklenebilir. Bu, aracın daha geniş bir iş akışının parçası olarak kullanılmasını sağlar ve genel faydasını artırır.

Bu ileri düzey özellikler, C++ metin çıkarma aracını sadece basit bir metin çıkarıcıdan, akıllı ve çok yönlü bir bilgi işleme platformuna dönüştürebilir. Yapay zeka ve makine öğrenimindeki gelişmelerle birlikte, bu tür araçların yetenekleri ve uygulama alanları sürekli olarak genişleyecektir.

Sonuç ve Sıkça Sorulan Sorular

Kaydırmalı ekran kayıtlarından metin çıkarma, günümüz dijital çağının getirdiği önemli bir zorluktur ve C++ gibi güçlü bir programlama dili, bu zorluğun üstesinden gelmek için ideal bir çözüm sunar. Bu makalede, bir C++ metin çıkarma aracının temel mimarisini, Optik Karakter Tanıma (OCR), görüntü işleme ve video analizi gibi temel kavramları ele aldık. OpenCV ve Tesseract gibi endüstri standardı kütüphanelerin nasıl entegre edilebileceğini gösteren adım adım bir uygulama örneği sunduk. Ayrıca, eski sistem dokümantasyonundan veri çıkarmadan eğitim materyallerini zenginleştirmeye kadar uzanan gerçek dünya senaryolarıyla aracın potansiyelini vurguladık. Performans optimizasyonu teknikleri ve karşılaşılabilecek zorluklar üzerinde durarak, bu tür bir sistemin geliştirilmesindeki mühendislik yaklaşımlarını belirttik. Son olarak, makine öğrenimi entegrasyonu, gerçek zamanlı işleme ve kullanıcı arayüzü geliştirmeleri gibi ileri düzey özelliklerle aracın gelecekteki potansiyelini inceledik. Bu tür bir C++ aracı, manuel veri girişini azaltarak, bilgi erişilebilirliğini artırarak ve karmaşık veri analizlerini kolaylaştırarak hem bireyler hem de kurumlar için önemli bir değer yaratma potansiyeline sahiptir.

Sıkça Sorulan Sorular

  1. Bu C++ aracı her türlü video formatını destekler mi?

    Araç, OpenCV'nin desteklediği çoğu yaygın video formatını (MP4, AVI, MKV vb.) işleyebilir. Ancak, bazı nadir veya özel codec'ler için ek yapılandırma veya codec paketleri gerekebilir.

  2. OCR doğruluğu ne kadar yüksek olabilir?

    OCR doğruluğu, videonun kalitesine, metnin netliğine, yazı tipine, boyutuna ve arka planın karmaşıklığına bağlıdır. İyi kalitede, net metin içeren videolarda %90'ın üzerinde doğruluk oranları elde edilebilir. Ancak, bulanık veya düşük çözünürlüklü videolarda bu oran önemli ölçüde düşebilir. Ön işleme adımları ve özel OCR modelleri bu doğruluğu artırmaya yardımcı olabilir.

  3. Araç, farklı dillerdeki metinleri tanıyabilir mi?

    Evet, Tesseract OCR motoru birçok dili destekler. İlgili dil paketlerini yükleyerek ve Tesseract'ı başlatırken doğru dil kodunu (örneğin, Türkçe için "tur", İngilizce için "eng") belirterek farklı dillerdeki metinleri tanıyabilir.

  4. Bu aracı gerçek zamanlı bir akışta kullanmak mümkün mü?

    Temel olarak evet, ancak gerçek zamanlı işleme yüksek performans gerektirir. Çoklu iş parçacığı, GPU hızlandırma ve optimize edilmiş algoritmalarla mümkün olabilir. Canlı ekran kayıtlarından veya kamera akışlarından metin çıkarmak için özel optimizasyonlar ve düşük gecikme süreli işlem teknikleri gerekebilir.

  5. Çıkarılan metinleri hangi formatlarda alabilirim?

    Uygulamanın çıktısı genellikle düz metin dosyası (

    .txt

    ) olarak tasarlanır. Ancak, kolayca

    JSON

    ,

    XML

    veya diğer yapılandırılmış veri formatlarına dönüştürülebilir. Metinlerin zaman damgaları, konum bilgileri veya diğer meta verilerle birlikte kaydedilmesi de mümkündür.

#Teknoloji #CPlusPlus #OCR #Videoİşleme #YapayZeka

Yorumlar
İçeriği beğendiniz mi? Bir tartışma başlatın veya görüşlerinizi paylaşın.
Yorum Yaz

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Gönder

E-posta Bülteni
Yazılım Topluluğuna Katılın
En son güncellemeleri, yaratıcı ipuçlarını ve özel kaynakları doğrudan e-posta kutunuza alın. Tasarım ve inovasyonun geleceğini birlikte keşfedelim.
Mobil sürümden çık