Van scan naar bewerkbare tekst: hoe OCR werkt en hoe je goede resultaten krijgt
OCR maakt van een foto of scan van een pagina tekst die je kunt kopiëren en bewerken. Hoe het werkt, waarom het soms misgaat, en wat je kunt doen om in één keer schone tekst te krijgen.
Wat OCR doet
Een scan of een foto van een pagina is niet meer dan een afbeelding: voor een computer zwarte en witte punten. Optische tekenherkenning (OCR) zoekt de tekstregels in die afbeelding, splitst ze in woorden en tekens, en vraagt een getraind model welke letter elke vorm het meest waarschijnlijk is. Het resultaat is gewone tekst die je kunt doorzoeken, kopiëren en bewerken.
Niet elke PDF heeft OCR nodig. Een PDF die uit een tekstverwerker of een browser geëxporteerd is, bevat de echte tekst al, en een goede tool leest die rechtstreeks — sneller en zonder fouten. Onze tool PDF naar Word doet precies dat, en valt alleen terug op OCR voor pagina's die scans blijken te zijn.
Waarom OCR fouten maakt
- Lage resolutie — letters van maar een paar pixels hoog zijn niet uit elkaar te houden.
- Onscherpte en beweging — een bewogen telefoonfoto vervaagt de randen waarop het model afgaat.
- Scheefstand en perspectief — een pagina die schuin gefotografeerd is, heeft regels die niet recht lopen.
- Schaduwen en slecht contrast — grijze tekst op grijs papier, of een schaduw over de pagina.
- Ongewone lettertypen en handschrift — hoe verder van gewoon drukwerk, hoe meer giswerk.
- Kolommen en tabellen — de tekst kan correct gelezen worden, maar in de verkeerde volgorde.
Hoe je een goede scan maakt
- Scan op 300 dpi; voor heel kleine letters 400. Meer helpt zelden.
- Met een telefoon: houd hem evenwijdig aan de pagina, gebruik gelijkmatig licht zonder schaduwen, en gebruik de documentmodus van je camera of een scan-app.
- Snijd de foto bij tot de pagina en zet hem recht voordat je hem laat lezen.
- Zwart-wit of grijswaarden is prima; kleur maakt het bestand groter, niet nauwkeuriger.
Een schone scan op 300 dpi van een gewone gedrukte brief wordt meestal vrijwel foutloos gelezen. Een gehaaste foto van een verkreukelde kassabon in een schemerige kamer niet, welke software je ook gebruikt.
De juiste tool kiezen
- Een foto of schermafbeelding van tekst — Afbeelding naar tekst (OCR) leest hem en geeft je de tekst om te kopiëren.
- Een gescande PDF die een bewerkbaar document moet worden — PDF naar Word leest digitale pagina's rechtstreeks en gescande pagina's met OCR.
- Tabellen in een PDF — PDF naar Excel zet de gegevens in rijen en kolommen waarmee je kunt rekenen.
- Meerdere foto's van pagina's die één document moeten worden — bundel ze eerst in één bestand met Afbeelding naar PDF.
Onze ingebouwde OCR leest tien talen: Engels, Nederlands, Duits, Frans, Spaans, Italiaans, Pools, Portugees, Turks en Arabisch. Je kiest zelf de taal van de tekst; controleer bij Arabisch de getallen. Digitale PDF's behouden de taal waarin ze geschreven zijn, omdat hun echte tekst rechtstreeks wordt gebruikt.
Tabellen, formulieren en handschrift
Lopende tekst is het eenvoudige geval. Drie soorten pagina's vragen extra aandacht:
- Tabellen — OCR leest de woorden, maar niet altijd het raster. Kolommen kunnen dwars in plaats van van boven naar beneden gelezen worden, en een lege cel kan de rest van een rij één kolom naar links laten schuiven. Controleer de structuur, niet alleen de spelling; voor tabellen in een PDF houdt PDF naar Excel rijen en kolommen waar het kan.
- Formulieren — gedrukte labels worden goed gelezen, maar handgeschreven invullingen in vakken zijn lastig, en aankruisvakjes zijn helemaal geen tekst. Reken erop dat je de ingevulde waarden zelf overtypt.
- Handschrift — algemene OCR is gebouwd voor drukwerk. Nette blokletters kunnen werken; lopend handschrift meestal niet. Handschrift herkennen is een apart, veel moeilijker probleem.
Een praktijkvoorbeeld: een stapel kassabonnen
Stel dat je de bedragen van twintig papieren kassabonnen in een spreadsheet wilt. Fotografeer elke bon plat op een donkere tafel in goed licht, recht van boven, beeldvullend. Lees ze een voor een met Afbeelding naar tekst (OCR) en kopieer de totalen; thermisch papier vervaagt, dus doe het voordat de druk verdwijnt. Zet de foto's voor een archief samen in één PDF met Afbeelding naar PDF — de afbeeldingen zelf blijven het bewijs, de herkende tekst is het gemak.
Lees altijd na
OCR is nooit perfect, dus controleer het resultaat — vooral cijfers. Typische verwisselingen zijn 0 en O, 1 en l en I, "rn" en "m", "cl" en "d". In bedragen, facturen en maten weegt één verkeerd cijfer zwaarder dan tien verkeerde letters; vergelijk totalen met het origineel. Een spellingscontrole haalt veel van de letterfouten er in één keer uit.
Waarom het uitmaakt waar de OCR draait
De documenten die mensen scannen zijn vaak juist de meest vertrouwelijke: contracten, loonstroken, medische brieven, identiteitspapieren. Op Convertburda draait de OCR in je eigen browser. De eerste keer downloadt je browser de OCR-engine (een paar megabyte) en bewaart die; daarna verlaten je scans nooit je apparaat. Meer daarover in onze gids Bestanden privé omzetten.