Kas yra OCR ir kaip ji veikia su PDF failais?

Įvadas

Ar kada nors bandėte nukopijuoti tekstą iš nuskaityto PDF ir sužinojote, kad visas puslapis elgiasi kaip nuotrauka? Optinis ženklų atpažinimas arba OCR yra technologija, naudojama vaizdų matomiems simboliams atpažinti ir paversti juos tekstine informacija.

OCR gali atlikti nuskaitytų dokumentų paiešką, padėti išgauti duomenis ir palaikyti konvertavimą į redaguojamus formatus. Tačiau pripažinimas nėra tobulas, ir rezultatai turėtų būti patikrinti prieš naudojant jį svarbių sprendimų.

Kas yra OCR vidurkis?

OCR reiškia Optinis ženklų atpažinimas. Jis analizuoja vaizdo turinį ir nurodo raides, skaitmenis, skyrybos, o kartais ir dokumento struktūrą. Įvestis gali būti nuskaitytas puslapis, nuotrauka, arba vaizdas pagrįstas PDF.

OCR skiriasi nuo tiesiog išsaugoti vaizdą kaip PDF. Image-to-PDF perskaičiavimo paketai pikselių į dokumentą; OCR bando interpretuoti šių pikselių atstovaujamus žodžius.

Kaip veikia OCR

1. Paveikslėlio paruošimas

Programinė įranga gali koreguoti sukimąsi, pašalinti triukšmą, pagerinti kontrastą ir nustatyti puslapių ribas. Aiškus pradinio kodo vaizdas palengvina atpažinimą.

2. Išdėstymo analizė

Sistema apima regionus, pvz., paantraštes, antraštes, stalus ir nuotraukas. Daugelio stulpelių dokumentai ir sudėtingos formos yra sunkiau nei paprastas vieno stulpelio puslapis.

3. Simbolių ir Word atpažinimas

Pripažinimo modeliai interpretuoja matomas formas kaip simbolius ir žodžius. Informacija apie kalbą gali padėti atskirti dviprasmiškas sekas.

4. Išvesties konstrukcija

Priklausomai nuo įrankio, OCR gali sukurti paprastą tekstą, ieškomą PDF su nematomu teksto sluoksniu, arba Word dokumentą, kuriame yra rekonstruotos dalys.

5. Patikra

Rezultatas turėtų būti palygintas su šaltiniu, ypač sumų, datų, serijos numerių ir pavadinimų.

OCR vs Teksto ištraukimas

Teksto ištraukimas skaito simbolius, jau esančius skaitmeniniame PDF. OCR bando atpažinti atvaizdų simbolius. Skaitmeninis PDF paprastai nereikia OCR, nebent jo teksto koduotė yra netinkama naudoti arba dalys puslapio yra vaizdai pagrįstas.

Kas veikia OCR tikslumą?

Skiriamoji geba: Tiny arba neryškus raidės yra sunku atpažinti. 300 DPI yra įprastas atskaitos taškas paprastų spausdintų dokumentų skaitymui, o ne universalus reikalavimas.

Kontrastas ir apšvietimas: šešėliai, blukęs rašalas, ir rašomi fonai, kad pripažinimo sunkiau.

Kalba ir šriftai: Specializuoti simboliai, neįprasti šriftai ir keli scenarijai gali turėti tinkamus kalbos modelius.

Puslapio struktūra: Lentelės, multistulpelis tekstas, rašysena, ir antspaudai gali komplikuoti skaitymo tvarką.

Prieš apdorojimą Paveikslėlio orientacija: nuskaityti arba iš viršaus nuskaityti puslapiai turėtų būti pataisyti.

Kaip vartoti OCR ant skenuoto PDF

1. Atidarykite PDF ir patikrinkite, ar tekstas yra pasirenkamas.
2. Pasirinkite programinę įrangą, kuri aiškiai palaiko OCR jūsų kalbai.
3. Tinkamas puslapio orientavimas ir, jei įmanoma, geresnis skenavimas.
4. Paleisti OCR ir pasirinkite norimą išvestį: ieškoma PDF, tekstas, arba redaguojamas dokumentas.
5. Ieškoti kelių terminų ir nukopijuoti pavyzdžių pastraipas.
6. Tikrinti kritines reikšmes pagal originalų paveikslėlį.
7. Išlaikyti šaltinio skenavimą kaip nuorodą.

Ne kiekvienas internetinis PDF keitiklis suteikia OCR; prieš įkeliant failus patikrinti funkciją.

Kur OCR yra naudinga

OCR padeda ieškoti istorinių archyvų, suskaitmeninti popierines ataskaitas, išvesti tekstą iš sąskaitų faktūrų ir lengviau indeksuoti nuskenuotus dokumentus. Sąskaitose faktūrose ir lentelėse vien pripažinimas negarantuoja teisingo lauko išgavimo: gali būti reikalaujama papildomos struktūros analizės ir patvirtinimo.

OCR gali palaikyti prieinamumą, tačiau vien tik paieškos teksto sluoksnyje nėra tinkamų žymių, skaitymo tvarkos ar vaizdų aprašymų.

Dažni OCR klaidos

Pripažintas 8 iš tikrųjų gali būti B, o 1 gali būti I. Datos gali būti interpretuojamos neteisingai, stulpelius galima skaityti klaidinga seka, ir lentelės gali prarasti langelių ribas. Gydyti OCR kaip naudingą teksto projektą, o ne neabejotinus įrodymus.

Dažnai užduodami klausimai

Ar OCR atlieka PDF redagavimą?

Jis gali gaminti redaguojamą tekstą, bet išsaugant originalų išdėstymą gali prireikti papildomo konvertavimo ir valymo.

Ar OCR yra toks pat kaip skenavimas?

Ne. Skenavimas fiksuoja vaizdus; OCR interpretuoja tekstą tuose paveikslėliuose.

Ar OCR gali skaityti rašyseną?

Kai kurios sistemos gali, bet rezultatai labai skiriasi su rašysena ir kalba.

Ar OCR veikia atsijungęs?

Taip, kai kurios darbastalio programos apdoroja failus vietoje. Kitos naudojasi internetinėmis paslaugomis.

Ar OCR garantuoja 100% tikslumą?

Ne. Patikrinkite svarbų tekstą ir skaičius rankiniu būdu.

Išvada

OCR užpildo spragą tarp teksto nuotraukų ir ieškomos informacijos. Tai vertinga nuskaitytiems PDF, tačiau rezultatai priklauso nuo vaizdo kokybės, dokumentų sudėtingumo ir kalbos palaikymo. Patikrinti pripažintą turinį, ir naudoti PDFreevert palaikomų non- OCR PDF konvertavimo ir organizacijos užduotis.