നിങ്ങൾ ചെറിയ ചിത്രം നാല് തവണ വലുതാക്കിയാൽ, OCR അത് കൂടുതൽ കൃത്യമായി തിരിച്ചറിയാൻ കഴിയുമോ? നിഗമനങ്ങളിൽ എത്തിച്ചേരുന്നതിന് മുമ്പ് താരതമ്യം ചെയ്യുക
നിങ്ങൾ ചെറിയ ചിത്രം നാല് തവണ വലുതാക്കിയാൽ, പിക്സലുകളുടെ എണ്ണം വർദ്ധിക്കും, എന്നാൽ യഥാർത്ഥത്തിൽ രേഖപ്പെടുത്താത്ത സ്ട്രോക്കുകൾ സ്വയമേവ തിരികെ വരില്ല. റീസാംപ്ലിംഗിന് എഡ്ജ് മോർഫോളജി മാറ്റാൻ കഴിയും, കൂടാതെ ഒരു നിശ്ചിത OCR ഇൻപുട്ട് പൈപ്പ്ലൈൻ പ്രോസസ്സ് ചെയ്യുന്നത് എളുപ്പമാക്കുകയും ചെയ്യാം; ഇത് തിരിച്ചറിയൽ മെച്ചപ്പെടുത്തുന്നുണ്ടോ എന്നതിന് യഥാർത്ഥ താരതമ്യം ആവശ്യമാണ്, വലുപ്പ മാറ്റങ്ങളിൽ നിന്ന് നേരിട്ട് മനസ്സിലാക്കാൻ കഴിയില്ല.
ചെറിയ ചിത്രം നാല് തവണ വലുതാക്കിയ ശേഷം, പിക്സലുകളുടെ എണ്ണം വർദ്ധിക്കും, എന്നാൽ യഥാർത്ഥത്തിൽ രേഖപ്പെടുത്താത്ത സ്ട്രോക്കുകൾ സ്വയമേവ പുനഃസ്ഥാപിക്കില്ല. OCR തിരിച്ചറിയൽ ശരിക്കും മെച്ചപ്പെടുത്തിയിട്ടുണ്ടോ എന്നതിന്, വലുപ്പത്തിലുള്ള മാറ്റങ്ങൾ മാത്രമല്ല, അതേ ഇൻപുട്ടുമായി യഥാർത്ഥ താരതമ്യം ആവശ്യമാണ്.
ഉദാഹരണങ്ങൾ സിന്തറ്റിക് സാമ്പിളുകൾ ഉപയോഗിച്ച് പ്രോസസ്സിംഗ് രീതികൾ കാണിക്കുന്നു, കൂടാതെ കോഡ് ഒരു ഒറ്റപ്പെട്ട പരിതസ്ഥിതിയിൽ പരിശോധിച്ചു. ഇത് എല്ലാ ആധികാരികതയുടെയും ഉൽപ്പന്ന പ്രകടനത്തിൻ്റെയും ഗ്യാരണ്ടിയെ പ്രതിനിധീകരിക്കുന്നില്ല. പ്രധാനപ്പെട്ട ഡോക്യുമെൻ്റുകൾ പ്രോസസ്സ് ചെയ്യുന്നതിന് മുമ്പ്, ദയവായി ഒറിജിനലുകൾ സൂക്ഷിച്ച് വാചകത്തിലെ അതിരുകളും സ്വീകാര്യത ഇനങ്ങളും അനുസരിച്ച് അവ അവലോകനം ചെയ്യുക.
ചെറിയ ചിത്രം നാല് തവണ വലുതാക്കിയാൽ, OCR അത് കൂടുതൽ കൃത്യമായി തിരിച്ചറിയാൻ കഴിയുമോ? ഒരു വാക്യത്തിൻ്റെ ഉപസംഹാരം
ആംപ്ലിഫിക്കേഷന് തന്നെ തിരിച്ചറിയൽ നിരക്ക് നേരിട്ട് മെച്ചപ്പെടുത്താൻ കഴിയില്ല. റീസാംപ്ലിംഗ് എഡ്ജ് ആകൃതി മാറ്റിയേക്കാം, എന്നാൽ താരതമ്യത്തിലൂടെ ഫലം സ്ഥിരീകരിക്കണം.
| നിങ്ങളുടെ അവസ്ഥ | ശുപാർശ ചെയ്യുന്ന സമ്പ്രദായങ്ങൾ | കാരണം |
|---|---|---|
| സൂം ഇൻ ചെയ്ത് ചെറിയ പ്രതീക തിരിച്ചറിയൽ മെച്ചപ്പെടുത്താൻ ആഗ്രഹിക്കുന്നു | താരതമ്യത്തിനായി ഇതേ ഇൻപുട്ട് ഉപയോഗിക്കുക, തുടർന്ന് സ്വീകരിക്കണോ എന്ന് തീരുമാനിക്കുക | വർദ്ധിച്ച പിക്സലുകൾ വർദ്ധിച്ച വിവരത്തിന് തുല്യമല്ല |
| യഥാർത്ഥ ചിത്രത്തിന് റെസലൂഷൻ കുറവാണ് | വീണ്ടും ക്യാപ്ചർ ചെയ്ത, ക്ലീനർ സ്കാനുകളുടെ താരതമ്യത്തിന് മുൻഗണന നൽകുക | സൂം ഇൻ ചെയ്യുന്നത് യഥാർത്ഥത്തിൽ റെക്കോർഡ് ചെയ്യാത്ത സ്ട്രോക്കുകൾ പുനഃസ്ഥാപിക്കാൻ കഴിയില്ല |
| ഇൻ്റർപോളേഷൻ പാരാമീറ്ററുകൾ ക്രമീകരിക്കേണ്ടതുണ്ട് | ഒരേ ഒറിജിനൽ, റെക്കോർഡ് സ്കെയിലിംഗ്, ഫിൽട്ടറിംഗ് രീതികളിൽ നിന്ന് ഉദ്യോഗാർത്ഥികളെ സൃഷ്ടിക്കുക | പരീക്ഷണ ഫലങ്ങൾ പുനർനിർമ്മിക്കാനുള്ള എളുപ്പം |
| OCR ഇൻ്റർഫേസിന് വലുപ്പ നിയന്ത്രണങ്ങളുണ്ട് | ആദ്യം നീളമുള്ള വശവും പിക്സൽ പരിധികളും പരിശോധിക്കുക | വലിപ്പം കൂടുന്തോറും എളുപ്പത്തിൽ കടന്നുപോകുമെന്ന് നേരിട്ട് ഊഹിക്കാൻ കഴിയില്ല. |
| തിരിച്ചറിയൽ ഫലങ്ങൾ വിവർത്തന പ്രക്രിയയിൽ പ്രവേശിക്കേണ്ടതുണ്ട് | ആദ്യം തിരിച്ചറിയൽ വാചകം പരിശോധിക്കുക, തുടർന്ന് വിവർത്തനം പരിശോധിക്കുക | സോഴ്സ് ടെക്സ്റ്റ് തെറ്റായി തിരിച്ചറിയപ്പെടുമ്പോൾ, വിവർത്തനം എത്ര ഒഴുക്കോടെയാണെങ്കിലും, പിശക് വലുതാകും. |
വലിപ്പം മാറ്റവും വിവര വർദ്ധനയും ഒരേ കാര്യമല്ല
നാല് തവണ സൂം ചെയ്യുന്നത് നിങ്ങൾക്ക് കൂടുതൽ പിക്സലുകൾ നൽകുന്നു, എന്നാൽ ആ പിക്സലുകൾ പുതിയ വിശദാംശങ്ങൾക്ക് തുല്യമല്ല. അടുത്തുള്ള അയൽവാസികളുടെ ഇൻ്റർപോളേഷൻ ബ്ലോക്കി പിക്സലുകൾ സംരക്ഷിക്കുന്നു, മറ്റ് ഫിൽട്ടറിംഗ് രീതികൾ അയൽപക്ക മൂല്യങ്ങളുടെ മിശ്രിതം കണക്കാക്കുന്നു. വ്യത്യസ്ത ചിത്രങ്ങൾക്കും ഉദ്ദേശ്യങ്ങൾക്കും വ്യത്യസ്ത രീതികൾ അനുയോജ്യമാണ്, കൂടാതെ എല്ലാ പ്രമാണങ്ങളുടെയും കൂടുതൽ കൃത്യമായ തിരിച്ചറിയൽ ഒരു ഫിൽട്ടറിനും ഉറപ്പുനൽകാൻ കഴിയില്ല.
ബൈനറി ഗ്ലിഫുകൾക്ക്, മിനുസപ്പെടുത്തൽ ചാരനിറത്തിലുള്ള അരികുകൾ അവതരിപ്പിച്ചേക്കാം, തുടർന്നുള്ള ത്രെഷോൾഡിംഗ് ഘട്ടങ്ങൾ ഗ്ലിഫിനെ മാറ്റും. അതിനാൽ, ആംപ്ലിഫിക്കേഷന് ശേഷമുള്ള ഓരോ ഘട്ടവും പരിശോധിക്കേണ്ടതുണ്ട്.
ഒരേ ഇൻപുട്ടിനായി രണ്ട് ഇൻ്റർപോളേഷനുകൾ താരതമ്യം ചെയ്യുക
from PIL import Image
source = Image.new("L", (2, 1))
source.putdata([0, 255])
nearest = source.resize((8, 4), Image.Resampling.NEAREST)
bilinear = source.resize((8, 4), Image.Resampling.BILINEAR)
assert nearest.size == bilinear.size == (8, 4)
assert set(nearest.getdata()) == {0, 255}
assert any(0 < v < 255 for v in bilinear.getdata())
assert list(source.getdata()) == [0, 255]
assert source.size == (2, 1)
ഈ സിന്തറ്റിക് ഉദാഹരണം ഇൻ്റർപോളേഷൻ വഴി ഉൽപ്പാദിപ്പിക്കുന്ന ഒരു ഇൻ്റർമീഡിയറ്റ് ഗ്രേസ്കെയിൽ കാണിക്കുന്നു, യഥാർത്ഥ ലോകത്ത് കണ്ടെത്തിയ അധിക വിശദാംശങ്ങൾ വീണ്ടെടുക്കുന്നില്ല. ഉദാഹരണം Image.Resampling-നെ പിന്തുണയ്ക്കുന്ന പില്ലോ പതിപ്പിനെ ആശ്രയിച്ചിരിക്കുന്നു. കോഡിൻ്റെ പുതിയ പതിപ്പുമായി സ്ഥിരമായ എഴുത്തിൻ്റെ പഴയ പതിപ്പ് മിശ്രണം ചെയ്യാതിരിക്കാൻ ലോക്ക് ചെയ്ത പരിതസ്ഥിതിയിൽ ഉദാഹരണം പ്രവർത്തിപ്പിക്കാൻ ശുപാർശ ചെയ്യുന്നു.
അവലംബങ്ങൾ: Pillow Image.resize
സൂം ഇൻ ചെയ്യുന്നതിന് മുമ്പ് യഥാർത്ഥ പരിധി സ്ഥിരീകരിക്കുക
സൂം ചെയ്യുന്നതിന് മുമ്പ്, പ്രശ്നം എവിടെയാണെന്ന് ആദ്യം തിരിച്ചറിയുക. ചുവടെയുള്ള പട്ടിക സാധാരണ ലക്ഷണങ്ങളും ആദ്യം പരിശോധിക്കേണ്ട ഇനങ്ങളും പട്ടികപ്പെടുത്തുന്നു.
| രോഗലക്ഷണങ്ങൾ | ആദ്യം പരിശോധിക്കുക | അത് പൂർണ്ണമായി അനുമാനിക്കരുത് |
|---|---|---|
| ഒസിആർ വലുപ്പം നിരസിക്കുന്നു | ഇന്റർഫേസ് ലോംഗ് എഡ്ജ്, പിക്സൽ പരിധികൾ | അത് എത്രത്തോളം വലുതാണോ അത്രയും എളുപ്പത്തിൽ കടന്നുപോകാൻ കഴിയും |
| ചെറിയ കഥാപാത്രങ്ങൾ മങ്ങിയതായിരുന്നു | ഒറിജിനൽ ഏറ്റെടുക്കൽ റെസല്യൂഷൻ | വലുതാക്കുന്നത് സ്ട്രോക്കുകൾ പുനഃസ്ഥാപിക്കാൻ കഴിയും |
| വലിയ മാപ്പുകൾക്ക് ധാരാളം സമയമെടുക്കും | മൊത്തം പിക്സലുകളും ചങ്കിംഗ് സ്കീമുകളും | ചെറിയ ഫയലുകൾ എന്നാൽ ഭാരം കുറഞ്ഞ ഡീകോഡിംഗ് എന്നാണ് അർത്ഥമാക്കുന്നത് |
| ഡിസ്പ്ലേ ഓഫ്സെറ്റ് ഏകോപിപ്പിക്കുക | സ്കെയിലിംഗ് മാപ്പ് സംരക്ഷിക്കപ്പെട്ടിട്ടുണ്ടോ | ഔട്ട്പുട്ട് ബോക്സ് ഇപ്പോഴും ഒറിജിനൽ ഇമേജിൽ ഉണ്ട് |
തുടർച്ചയായി സൂം ഇൻ ചെയ്യുന്നതിനേക്കാൾ സ്ഥാനാർത്ഥികളെ നിലനിർത്തുന്നതാണ് നല്ലത്
ഇതിനകം പുനഃസാമ്പിൾ ചെയ്ത ഇമേജുകൾ ആവർത്തിച്ച് പ്രോസസ്സ് ചെയ്യരുത്; പകരം, ഒരേ ഉറവിടത്തിൽ നിന്ന് പ്രത്യേകം കാൻഡിഡേറ്റുകൾ സൃഷ്ടിക്കുക. നിർദ്ദിഷ്ട ഘട്ടങ്ങൾ ഇനിപ്പറയുന്നവയാണ്:
- ഒരേ ഉറവിടത്തിൽ നിന്ന് ഒന്നിലധികം സ്ഥാനാർത്ഥി ഡ്രോയിംഗുകൾ സൃഷ്ടിക്കുക.
- ഓരോ സ്ഥാനാർത്ഥിക്കും സ്കെയിലിംഗ് അനുപാതം, ഫിൽട്ടറിംഗ് രീതി, ഇൻപുട്ട് സംഗ്രഹം എന്നിവ രേഖപ്പെടുത്തുക.
- വ്യക്തമായ സ്കാനുകൾ നേടാൻ കഴിയുമെങ്കിൽ, ഇന്റർപോളേഷൻ പാരാമീറ്ററുകൾ അനന്തമായി ക്രമീകരിക്കുന്നതിനുപകരം വീണ്ടും ശേഖരിച്ച ഫലങ്ങൾ താരതമ്യം ചെയ്യുന്നതിന് മുൻഗണന നൽകുക.
വായനാക്ഷമതയും വിവർത്തന ഗുണനിലവാരവും പ്രത്യേകം വിലയിരുത്തുക
കുറഞ്ഞ റെസല്യൂഷൻ സ്കാനുകൾ പ്രോസസ്സ് ചെയ്യുന്നതിന് ഓമ് നിഡോക് (ഉൽപ്പന്ന പോർട്ടൽ) കണക്റ്റുചെയ്യുമ്പോൾ, രണ്ട് ഘട്ടങ്ങളായി സ്വീകാര്യത നടത്താൻ ശുപാർശ ചെയ്യുന്നു.
ആദ്യം, അംഗീകൃത വാചകം പരിശോധിക്കുക
ഓരോ പ്രതീകവും ശരിയായി തിരിച്ചറിഞ്ഞിട്ടുണ്ടെന്ന് സ്ഥിരീകരിക്കുക. ഉറവിട വാചകം ഇതിനകം തെറ്റായി തിരിച്ചറിഞ്ഞിട്ടുണ്ടെങ്കിൽ, തുടർന്നുള്ള വിവർത്തന ഘട്ടങ്ങൾക്ക് അത് തിരുത്താൻ കഴിയില്ല.
പരിഭാഷ വീണ്ടും പരിശോധിക്കുക
ശരിയായ വാചക തിരിച്ചറിയൽ സ്ഥിരീകരിച്ചശേഷം, പരിഭാഷ കൃത്യവും ഒഴുക്കോലുള്ളതുമാണോ എന്ന് പരിശോധിക്കുക. വിവർത്തനം നിങ്ങൾ തിരിച്ചറിയുന്ന ക്രമത്തിൽ തരംതിരിക്കുന്നത് അവസാന വിവർത്തനം മാത്രം വായിക്കുന്നതിനേക്കാൾ വിശ്വസനീയമാണ്.
പ്രധാന 📊 താരതമ്യം
| രീതി | ചികിത്സാ സവിശേഷതകൾ | ശ്രദ്ധിക്കേണ്ട പോയിന്റുകൾ |
|---|---|---|
| ഏറ്റവും അടുത്തുള്ള അയൽക്കാരുടെ ഇന്റർപോളേഷൻ | ബ്ലോക്ക് പിക്സലുകൾ സൂക്ഷിക്കുക | അയൽപക്ക മിശ്രിതങ്ങളൊന്നും നടക്കുന്നില്ല, അതിന്റെ ഫലമായി കഠിനമായ രൂപം ലഭിക്കുന്നു |
| മറ്റ് ഫിൽട്ടറിംഗ് രീതികൾ | അയൽപക്ക മിശ്രിത മൂല്യം കണക്കാക്കുക | ബൈനറി ഗ്ലിഫുകൾ ചാരനിറത്തിലുള്ള അതിർത്തികൾ സൃഷ്ടിക്കും, തുടർന്നുള്ള പരിധികൾ ഫലത്തെ മാറ്റും |
| ഒരേ ഇമേജ് തുടർച്ചയായി സൂം ചെയ്യുക | പുനഃസാമ്പിൾ ചെയ്ത ഗ്രാഫിൽ വീണ്ടും പ്രോസസ്സ് ചെയ്യുക | പുനരുൽപാദിപ്പിക്കാൻ പ്രയാസമാണ്, ഫലങ്ങൾ കണ്ടെത്താൻ പ്രയാസമാണ് |
| ഒന്നിലധികം സ്ഥാനാർത്ഥികളെ നിലനിർത്തുക | ഒരേ ഒറിജിനലിൽ നിന്ന് പ്രത്യേകമായി ജനറേറ്റ് ചെയ്യുക | റെക്കോർഡിംഗ് അനുപാതങ്ങൾ, ഫിൽട്ടറിംഗ് രീതികൾ, ഇൻപുട്ട് സംഗ്രഹങ്ങൾ |
| സാമ്പിൾ വീണ്ടും സ്കാൻ ചെയ്യപ്പെടുന്നു | വ്യക്തവും യഥാർത്ഥവുമായ വിവരങ്ങൾ നേടുക | ഒറിജിനൽ വീണ്ടും വീണ്ടെടുക്കാൻ നിങ്ങൾക്ക് കഴിയണം |
🎯 ഏത് രീതിയാണ് നിങ്ങൾക്ക് അനുയോജ്യം?
നിങ്ങൾക്ക് ചെറിയ പ്രിന്റ് സ്കാനുകൾ കൈകാര്യം ചെയ്യണമെങ്കിൽ
ആദ്യം ഒറിജിനൽ സൂക്ഷിക്കുക, തുടർന്ന് വ്യത്യസ്ത ഇൻപുട്ടുകളുടെ തിരിച്ചറിയൽ ഫലങ്ങൾ താരതമ്യം ചെയ്യുക; വലുപ്പം മാത്രം നോക്കരുത്.
നിങ്ങൾക്ക് വ്യക്തമായ സ്കാനുകൾ ലഭിക്കുമെങ്കിൽ
പുതുതായി ശേഖരിച്ച ഫലങ്ങൾ താരതമ്യം ചെയ്യുന്നതിന് മുൻഗണന നൽകുക, ഇത് ഇന്റർപോളേഷൻ പാരാമീറ്ററുകൾ ആവർത്തിച്ച് ക്രമീകരിക്കുന്നതിനേക്കാൾ കൂടുതൽ വിശ്വസനീയമാണ്.
ഇന്റർപോളേഷൻ പാരാമീറ്ററുകൾ ക്രമീകരിക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ
ഒരേ ഉറവിടത്തിൽ നിന്ന് സ്ഥാനാർത്ഥികളെ സൃഷ്ടിക്കുക, എളുപ്പത്തിൽ പുനരുൽപ്പാദിപ്പിക്കുന്നതിനായി സ്കെയിൽ, ഫിൽട്ടറിംഗ് രീതി രേഖപ്പെടുത്തുക.
വിവർത്തന പ്രക്രിയയിലേക്ക് ഫലങ്ങൾ സമന്വയിപ്പിക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ,
ആദ്യം, വാചകം ശരിയാണോ എന്ന് പരിശോധിക്കുക, തുടർന്ന് വിവർത്തനം പരിശോധിക്കുക.
❓ പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ (പതിവുചോദ്യങ്ങൾ)
1. നാല് തവണ സൂം ചെയ്ത ശേഷം, പിക്സലുകൾ വർദ്ധിക്കുന്നു - തിരിച്ചറിയൽ എല്ലായ്പ്പോഴും കൂടുതൽ കൃത്യമാകുമോ?
ആവശ്യമില്ല. പിക്സൽ കൗണ്ട് വർദ്ധിക്കുന്നു, പക്ഷേ റെക്കോർഡ് ചെയ്യാത്ത സ്ട്രോക്കുകൾ സ്വയമേവ മടങ്ങിവരില്ല; നിങ്ങൾ യഥാർത്ഥ എണ്ണം താരതമ്യം ചെയ്യേണ്ടതുണ്ട്.
2. ഏറ്റവും അടുത്തുള്ള അയൽക്കാരനും മറ്റ് ഫിൽട്ടറിംഗ് രീതികളും തമ്മിലുള്ള വ്യത്യാസം എന്താണ്?
അടുത്തുള്ള അയൽക്കാരൻ ബ്ലോക്ക് പിക്സലുകൾ നിലനിർത്തുന്നു, മറ്റ് ഫിൽട്ടറിംഗ് രീതികൾ അയൽപക്കത്തിന്റെ സമ്മിശ്ര മൂല്യങ്ങൾ കണക്കാക്കുന്നു. ബൈനറി ഗ്ലിഫുകൾ മിനുസപ്പെടുത്തിയ ശേഷം, ചാരനിറത്തിലുള്ള അതിർത്തികൾ പ്രത്യക്ഷപ്പെടാം, തുടർന്നുള്ള ത്രെഷോൾഡ് ഘട്ടങ്ങളും ഗ്ലിഫുകൾ മാറ്റും.
3. എന്തുകൊണ്ട് ഒരേ ചിത്രം ആവർത്തിച്ച് വലുതാക്കിക്കൂടാ?
പുനഃസാമ്പിൾ ചെയ്ത ഇമേജുകൾ പുനഃസംസ്കരിക്കുന്നത് പരീക്ഷണം പകർത്തുന്നത് ബുദ്ധിമുട്ടാക്കുന്നു. ഒരേ ഉറവിടത്തിൽ നിന്ന് പ്രത്യേകം സ്ഥാനാർത്ഥികളെ സൃഷ്ടിക്കുകയും സ്കെയിൽ, ഫിൽട്ടറിംഗ് രീതി, ഇൻപുട്ട് സംഗ്രഹം എന്നിവ രേഖപ്പെടുത്തുകയും ചെയ്യുക എന്നതാണ് കൂടുതൽ വിശ്വസനീയമായ സമീപനം.
4. എന്തുകൊണ്ടാണ് പിൻ ഫ്രെയിം വിന്യസിക്കാത്തത്?
സ്കെയിലിംഗ് മാപ്പ് സംരക്ഷിക്കപ്പെട്ടില്ലെങ്കിൽ, ഔട്ട്പുട്ട് ബോക്സ് ഇനി യഥാർത്ഥ ചിത്രവുമായി പൊരുത്തപ്പെടില്ല. കോർഡിനേറ്റ് ഓഫ് സെറ്റുകൾ പ്രദർശിപ്പിക്കുമ്പോൾ, സ്കെയിലിംഗ് മാപ്പ് സംരക്ഷിച്ചിട്ടുണ്ടോ എന്ന് ആദ്യം പരിശോധിക്കുക.
📝 സംഗ്രഹം
4x സൂം ചെയ്യുന്നത് പിക്സലുകളും അരികുകളും മാറ്റുന്നു, പക്ഷേ കാണാതായ സ്ട്രോക്കുകൾ യാന്ത്രികമായി പൂരിപ്പിക്കുന്നില്ല. ഫലപ്രാപ്തി വിലയിരുത്തുന്നത് ഒരേ ഇൻപുട്ടും ഘട്ടം ഘട്ടമായുള്ള സ്വീകാര്യതയും താരതമ്യം ചെയ്യുന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു, അളവുകൾ നോക്കുക മാത്രമല്ല.


