Τι είναι το OCR και πώς λειτουργεί με τα αρχεία PDF;
Κατανοήστε την αναγνώριση κειμένου, τους περιορισμούς του, και όταν μια σάρωση το χρειάζεται.
Εισαγωγή
Προσπαθήσατε ποτέ να αντιγράψετε κείμενο από ένα σαρωμένο PDF και ανακαλύψατε ότι ολόκληρη η σελίδα συμπεριφέρεται σαν φωτογραφία; Οπτική Αναγνώριση Χαρακτήρων, ή OCR, είναι η τεχνολογία που χρησιμοποιείται για την αναγνώριση ορατών χαρακτήρων στις εικόνες και τη μετατροπή τους σε πληροφορίες κειμένου.
OCR μπορεί να κάνει σαρωμένα έγγραφα αναζήτηση, να βοηθήσει την εξαγωγή δεδομένων, και τη μετατροπή υποστήριξης σε επεξεργάσιμες μορφές. Αλλά η αναγνώριση δεν είναι τέλεια, και η παραγωγή πρέπει να ελεγχθεί πριν χρησιμοποιηθεί για σημαντικές αποφάσεις.
Τι σημαίνει OCR;
OCR σημαίνει Οπτική αναγνώριση χαρακτήρων. Αναλύει το περιεχόμενο της εικόνας και προσδιορίζει γράμματα, ψηφία, στίξη, και μερικές φορές δομή εγγράφου. Η είσοδος μπορεί να είναι μια σαρωμένη σελίδα, μια φωτογραφία, ή μια εικόνα που βασίζεται PDF.
OCR είναι διαφορετικό από απλά την αποθήκευση μιας εικόνας ως PDF. Τα πακέτα μετατροπής εικόνας-σε-PDF σε ένα έγγραφο; OCR επιχειρεί να ερμηνεύσει τις λέξεις που αντιπροσωπεύονται από αυτά τα εικονοστοιχεία.
Πώς λειτουργεί το OCR
1. Προετοιμασία εικόνας
Το λογισμικό μπορεί να διορθώσει την περιστροφή, να αφαιρέσει το θόρυβο, να βελτιώσει την αντίθεση και να προσδιορίσει τα όρια των σελίδων. Καθαρισμός εικόνων πηγή κάνει την αναγνώριση ευκολότερη.
2. Ανάλυση διάταξης
Το σύστημα εντοπίζει περιοχές όπως παραγράφους, επικεφαλίδες, πίνακες και εικόνες. Τα έγγραφα πολλαπλών στηλών και οι πολύπλοκες μορφές είναι δυσκολότερες από μια απλή σελίδα μιας στήλης.
3. Αναγνώριση χαρακτήρων και Word
Τα μοντέλα αναγνώρισης ερμηνεύουν τα ορατά σχήματα ως χαρακτήρες και λέξεις. Οι γλωσσικές πληροφορίες μπορούν να βοηθήσουν στη διάκριση διφορούμενων αλληλουχιών.
4. Κατασκευές εξόδου
Ανάλογα με το εργαλείο, το OCR μπορεί να δημιουργήσει απλό κείμενο, ένα αναζητήσιμο PDF με αόρατο στρώμα κειμένου, ή ένα έγγραφο Word που περιέχει ανακατασκευασμένες παραγράφους.
5. Επαλήθευση
Το αποτέλεσμα θα πρέπει να συγκριθεί με την πηγή, ειδικά για τα ποσά, τις ημερομηνίες, τους αύξοντες αριθμούς και τα ονόματα.
OCR έναντι εξαγωγής κειμένου
Η εξαγωγή κειμένου διαβάζει χαρακτήρες που ήδη εμφανίζονται σε ένα ψηφιακό PDF. Το OCR προσπαθεί να αναγνωρίσει χαρακτήρες από εικόνες. Ένα ψηφιακό PDF γενικά δεν χρειάζεται OCR εκτός εάν η κωδικοποίηση κειμένου είναι μη χρησιμοποιήσιμη ή τα μέρη της σελίδας είναι βασισμένα στην εικόνα.
Τι επηρεάζει την ακρίβεια OCR;
Ανάλυση: Τα μικρά ή θολά γράμματα είναι δύσκολο να αναγνωριστούν. 300 DPI είναι ένα κοινό σημείο εκκίνησης για τη σάρωση κοινών έντυπων εγγράφων, όχι μια καθολική απαίτηση.
Αντίθεση και φωτισμός: Σκιές, ξεθωριασμένο μελάνι, και μοτίβο φόντου κάνουν την αναγνώριση δυσκολότερη.
Γλώσσα και γραμματοσειρές Εξειδικευμένα σύμβολα, ασυνήθιστα typefaces, και πολλαπλά σενάρια μπορεί να χρειάζονται κατάλληλα μοντέλα γλώσσας.
Δομή σελίδας: Πίνακες, κείμενο πολλαπλών στηλών, γραφικό χαρακτήρα, και γραμματόσημα μπορεί να περιπλέξει την τάξη ανάγνωσης.
Οι σελίδες Προσανατολισμός εικόνας: Skewed ή ανάποδα πρέπει να διορθωθούν πριν από την επεξεργασία.
Πώς να χρησιμοποιήσετε το OCR σε ένα Scanned PDF
- Ανοίξτε το PDF και ελέγξτε αν το κείμενο είναι επιλέξιμο.
- Επιλέξτε λογισμικό που υποστηρίζει ρητά OCR για τη γλώσσα σας.
- Σωστός προσανατολισμός σελίδας και βελτίωση της ποιότητας σάρωσης όπου είναι δυνατόν.
- Εκτέλεση OCR και επιλέξτε την επιθυμητή έξοδο: Αναζήτηση PDF, κείμενο, ή επεξεργάσιμο έγγραφο.
- Αναζήτηση διαφόρων όρων και αντιγραφή παραγράφων δείγμα.
- Ελέγξτε τις κρίσιμες τιμές κατά της αρχικής εικόνας.
- Κρατήστε την σάρωση πηγής για αναφορά.
Δεν είναι κάθε σε απευθείας σύνδεση PDF μετατροπέα παρέχει OCR; επαληθεύστε τη λειτουργία πριν από την αποστολή αρχείων.
Όπου το OCR είναι χρήσιμο
OCR βοηθά στην αναζήτηση ιστορικών αρχείων, ψηφιοποίηση αναφορών χαρτιού, εξαγωγή κειμένου από τα τιμολόγια, και να κάνει τα σαρωμένα έγγραφα ευκολότερο να ευρετηριαστεί. Όσον αφορά τα τιμολόγια και τους πίνακες, η αναγνώριση από μόνη της δεν εγγυάται την ορθή εξαγωγή πεδίου: ενδέχεται να απαιτείται πρόσθετη ανάλυση δομής και επικύρωση.
Το OCR μπορεί να υποστηρίξει την προσβασιμότητα, αλλά ένα αναζητήσιμο στρώμα κειμένου από μόνο του δεν παρέχει κατάλληλες ετικέτες, σειρά ανάγνωσης ή περιγραφές εικόνων.
Συχνές Λάθη OCR
Ένα αναγνωρισμένο 8 μπορεί στην πραγματικότητα να είναι B, και 1 μπορεί να είναι I. Οι ημερομηνίες μπορούν να ερμηνευθούν λανθασμένα, οι στήλες μπορούν να διαβαστούν σε λάθος ακολουθία, και οι πίνακες μπορεί να χάσουν τα όρια των κελιών. Αντιμετωπίστε το OCR ως χρήσιμο προσχέδιο του κειμένου και όχι ως αδιαμφισβήτητα στοιχεία.
Συχνές ερωτήσεις
Μήπως OCR κάνει ένα PDF επεξεργάσιμο;
Μπορεί να παράγει επεξεργάσιμο κείμενο, αλλά η διατήρηση της αρχικής διάταξης μπορεί να απαιτήσει επιπλέον μετατροπή και καθαρισμό.
Το OCR είναι το ίδιο με το σκανάρισμα;
Όχι. Η σάρωση συλλαμβάνει εικόνες; OCR ερμηνεύει κείμενο μέσα σε αυτές τις εικόνες.
Μπορεί το OCR να διαβάσει γραφικό χαρακτήρα;
Ορισμένα συστήματα μπορούν, αλλά τα αποτελέσματα ποικίλλουν σημαντικά με το γραφικό χαρακτήρα και τη γλώσσα.
Μήπως OCR λειτουργεί εκτός σύνδεσης;
Ναι, κάποιες εφαρμογές επιφάνειας εργασίας επεξεργάζονται τοπικά αρχεία. Άλλοι χρησιμοποιούν διαδικτυακές υπηρεσίες.
Η OCR εγγυάται ακρίβεια 100%;
Όχι. Επαλήθευση σημαντικού κειμένου και αριθμών χειροκίνητα.
Συμπέρασμα
Το OCR γεφυρώνει το χάσμα μεταξύ εικόνων κειμένου και αναζητήσιμων πληροφοριών. Είναι πολύτιμο για σαρωμένα PDFs, αλλά τα αποτελέσματα εξαρτώνται από την ποιότητα της εικόνας, την πολυπλοκότητα του εγγράφου, και τη γλωσσική υποστήριξη. Επαλήθευση αναγνωρισμένου περιεχομένου, και χρήση PDFreevert για υποστηριζόμενες εργασίες μετατροπής και οργάνωσης μη-OCR PDF.