Od skanu do edytowalnego tekstu: jak działa OCR i jak uzyskać dobre wyniki
OCR zamienia zdjęcie lub skan strony w tekst, który możesz kopiować i edytować. Jak działa, dlaczego czasem zawodzi i co możesz zrobić, by za pierwszym razem uzyskać czysty tekst.
Co robi OCR
Skan lub zdjęcie strony to tylko obraz: dla komputera czarne i białe punkty. Optyczne rozpoznawanie znaków (OCR) odnajduje w tym obrazie wiersze tekstu, rozdziela je na wyrazy i znaki i pyta wytrenowany model, jaką literą najprawdopodobniej jest każdy kształt. Wynikiem jest zwykły tekst, który możesz przeszukiwać, kopiować i edytować.
Nie każdy PDF potrzebuje OCR. PDF wyeksportowany z edytora tekstu lub przeglądarki zawiera już prawdziwy tekst, a dobre narzędzie odczytuje go bezpośrednio — szybciej i bez błędów. Nasze narzędzie PDF na Word robi dokładnie to i sięga po OCR tylko dla stron, które okazują się skanami.
Dlaczego OCR popełnia błędy
- Niska rozdzielczość — liter o wysokości kilku pikseli nie da się rozróżnić.
- Rozmycie i ruch — poruszone zdjęcie z telefonu rozmazuje krawędzie, na których opiera się model.
- Przekrzywienie i perspektywa — strona sfotografowana pod kątem ma wiersze, które nie są proste.
- Cienie i słaby kontrast — szary tekst na szarym papierze lub cień w poprzek strony.
- Nietypowe czcionki i pismo odręczne — im dalej od zwykłego druku, tym więcej zgadywania.
- Kolumny i tabele — tekst może zostać odczytany poprawnie, ale w złej kolejności.
Jak zrobić dobry skan
- Skanuj w 300 dpi; przy bardzo drobnym druku w 400. Więcej rzadko pomaga.
- Z telefonem: trzymaj go równolegle do strony, zadbaj o równomierne światło bez cieni i użyj trybu dokumentu w aparacie lub aplikacji do skanowania.
- Przytnij do strony i wyprostuj ją przed odczytem.
- Czerń i biel lub skala szarości w zupełności wystarczą; kolor zwiększa rozmiar, nie dokładność.
Czysty skan zwykłego wydrukowanego listu w 300 dpi jest zwykle odczytywany niemal bezbłędnie. Pospieszne zdjęcie pomiętego paragonu w słabo oświetlonym pomieszczeniu — nie, niezależnie od użytego oprogramowania.
Wybór właściwego narzędzia
- Zdjęcie lub zrzut ekranu z tekstem — Obraz na tekst (OCR) odczytuje go i daje Ci tekst do skopiowania.
- Zeskanowany PDF, który ma stać się edytowalnym dokumentem — PDF na Word odczytuje strony cyfrowe bezpośrednio, a zeskanowane za pomocą OCR.
- Tabele w PDF-ie — PDF na Excel umieszcza dane w wierszach i kolumnach gotowych do obliczeń.
- Kilka zdjęć stron, które mają stać się jednym dokumentem — najpierw zbierz je w jeden plik narzędziem Obraz na PDF.
Nasz wbudowany OCR odczytuje dziesięć języków: angielski, niderlandzki, niemiecki, francuski, hiszpański, włoski, polski, portugalski, turecki i arabski. Język tekstu wybierasz samodzielnie; przy arabskim sprawdź liczby. Cyfrowe PDF-y zachowują język, w jakim są zapisane, bo ich prawdziwy tekst jest używany bezpośrednio.
Tabele, formularze i pismo odręczne
Tekst ciągły to łatwy przypadek. Trzy rodzaje stron wymagają dodatkowej uwagi:
- Tabele — OCR odczytuje słowa, ale nie zawsze siatkę. Kolumny mogą zostać odczytane w poziomie zamiast w pionie, a pusta komórka może przesunąć resztę wiersza o jedną kolumnę w lewo. Sprawdzaj strukturę, nie tylko pisownię; w przypadku tabel w PDF-ie PDF na Excel zachowuje wiersze i kolumny tam, gdzie to możliwe.
- Formularze — drukowane etykiety są odczytywane dobrze, ale odręczne wpisy w polach są trudne, a pola wyboru w ogóle nie są tekstem. Licz się z tym, że wpisane wartości przepiszesz samodzielnie.
- Pismo odręczne — ogólny OCR jest stworzony do druku. Staranne wielkie litery drukowane mogą się udać; pismo ciągłe w większości nie. Rozpoznawanie pisma odręcznego to osobny, znacznie trudniejszy problem.
Praktyczny przykład: stos paragonów
Załóżmy, że chcesz mieć kwoty z dwudziestu papierowych paragonów w arkuszu kalkulacyjnym. Sfotografuj każdy z nich na płasko, na ciemnym stole, w dobrym świetle, dokładnie z góry, wypełniając kadr. Odczytaj je jeden po drugim narzędziem Obraz na tekst (OCR) i skopiuj sumy; paragony termiczne blakną, więc zrób to, zanim druk zniknie. Do archiwum złóż zdjęcia w jeden PDF narzędziem Obraz na PDF — same obrazy pozostają dowodem, wyodrębniony tekst to wygoda.
Zawsze sprawdzaj wynik
OCR nigdy nie jest doskonały, więc sprawdź wynik — zwłaszcza liczby. Typowe pomyłki to 0 i O, 1, l oraz I, „rn” i „m”, „cl” i „d”. W kwotach, fakturach i wymiarach jedna błędna cyfra znaczy więcej niż dziesięć błędnych liter; porównaj sumy z oryginałem. Sprawdzanie pisowni wyłapuje wiele błędów literowych za jednym razem.
Dlaczego ma znaczenie, gdzie działa OCR
Dokumenty, które ludzie skanują, to często te najbardziej prywatne: umowy, odcinki wypłat, dokumenty medyczne, dokumenty tożsamości. W Convertburda OCR działa w Twojej własnej przeglądarce. Za pierwszym razem przeglądarka pobiera silnik odczytujący (kilka megabajtów) i go zachowuje; potem Twoje skany nigdy nie opuszczają Twojego urządzenia. Więcej na ten temat w naszym poradniku Prywatna konwersja plików.