Файлове и изходни данни
Започнете с това, което съдържа файлът. Един PDF може да съдържа изображения, кодиран текст или и двете; името на файла не ви казва дали думите в него могат да бъдат избирани.
OCR — оптично разпознаване на символи
Процесът на идентифициране на видими символи в изображение и представянето им като кодиран текст. Той ви позволява да използвате повторно думи от сканирано изображение или снимка; разпознатият резултат може все още да се нуждае от корекция.
Сканиран PDF
PDF, чиито страници включват сканирани или заснети изображения на документи. Някои сканирани PDF файлове имат и OCR текстов слой, докато други съдържат само изображения.
Дигитално създаден PDF
PDF, създаден директно от цифрово съдържание, например чрез текстов редактор, а не чрез сканиране на хартия. Той често съдържа реален текст, въпреки че изборът и извличането му все още могат да бъдат повлияни от начина, по който е създаден.
Търсим PDF
PDF, съдържащ текст, който може да бъде търсен от читателя. Сканираната страница може да стане търсима, когато към изображението ѝ се добави разпознат текст. Възможността за търсене сама по себе си не гарантира точност или достъпност.
Текстов слой
Кодираният текст, съхранен в PDF. На сканирана страница той може да бъде невидим и разположен над или под изображението, така че изборът и търсенето да работят, докато оригиналният вид остава видим.
Структура на страницата
Системата за разпознаване трябва да прави повече от това просто да идентифицира букви. Тя трябва също да реши кои знаци принадлежат един към друг и как читателят трябва да се движи през тях.
Анализ на оформлението
Идентифициране на региони като параграфи, заглавия, изображения и таблици. Разпознаването на думите в таблица и запазването на структурата ѝ от редове и колони са свързани, но различни задачи.
Ред на четене
Предвидената последователност на текста. Статия с две колони обикновено трябва да следва едната колона, преди да продължи в следващата, вместо да се редува през двете. Правилни думи в грешен ред могат да доведат до неизползваем транскрипт.
Сегментиране
Разделяне на страницата на по-малки единици като текстови региони, редове или символи. Неправилните граници могат да обединят съседни думи, да разделят символ или да смесят несвързани части от страницата.
RTL — текст от дясно на ляво
Текст в писмени системи като арабската или иврит, който обикновено се движи от дясно на ляво. Числата и вграденият латински текст могат да следват различни посоки. Редът на показване и редът на съхранените символи не са непременно еднакви.
Подготовка на изображението
Подготовката променя начина, по който съществуващите знаци се представят за разпознаване. Тя не може да възстанови текст, който изходното изображение вече не съдържа.
PPI и DPI
Пиксели на инч описва вземането на проби от изображението при физически размер; точки на инч описва плътността на отпечатаните точки. Настройките за сканиране често използват DPI неофициално. Промяната само на съхранената стойност не добавя детайли към съществуващо изображение.
Изправяне (Deskew)
Коригиране на лек наклон, така че редовете с текст да станат по-хоризонтални. Това е различно от завъртането на обърната страница или коригирането на перспективата на снимка, направена под ъгъл.
Бинаризация
Конвертиране на изображение в черно-бели пиксели чрез праг или друго правило за вземане на решение. Това може да опрости ясна страница, но също така може да доведе до загуба на бледи знаци или сливане на близки щрихи.
Предварителна обработка
Корекции на изображението, направени преди разпознаването, като коригиране на ориентацията, изрязване или промени в контраста. Полезната корекция подобрява разпознаваемите знаци, без да премахва пунктуация, акценти или други значими детайли.
Разпознаване и преглед
Оценката описва конкретна задача и набор от данни. Прочетете дефиницията на резултата, преди да го сравните с друг или да го използвате, за да прецените собствените си документи.
Разпознаване на ръкописен текст
Разпознаване на ръкописни символи или думи. Свързаните букви, личните съкращения и специфичните за автора форми го правят различно предизвикателство от ясния отпечатан текст.
Оценка на увереността
Оценка, която системата за разпознаване може да прикачи към предсказание. Значението ѝ зависи от системата и калибрирането. Тя не е автоматично вероятността целият документ да е правилен.
CER — процент на грешки в символите
Сравнение на разпознатия текст с проверена референция, базирано на вмъквания, изтривания и замествания на символи спрямо дължината на референцията. По-ниската стойност е по-добра. Нисък CER все още може да скрие важна грешка в име или число.
WER — процент на грешки в думите
Подобно сравнение на ниво дума. Един грешен символ може да направи цялата дума грешна. Следователно WER и CER описват различни аспекти на транскрипт и не трябва да се третират като взаимозаменяеми.
Ground truth (еталон)
Проверената референция, използвана за оценка на разпознаването. Нейните конвенции за транскрипция имат значение: как се обработва пунктуацията, правописът, интервалите и нечетливият текст влияе на сравнението. Дефектната референция може да доведе до подвеждащ резултат.
Въпроси и отговори
OCR същото ли е като превода?
Не. OCR разчита видимия текст в редактируема форма. Преводът изразява текста на друг език. Първоначалният преглед на разпознаването помага да се избегне превеждането на погрешно прочетен източник.
Изтегленият Word файл копие ли е на оригиналното оформление?
Не непременно. Редактируемият документ може да съдържа разпознат текст, без да запазва таблиците, разстоянията или дизайна на страницата на източника. Проверете изхода спрямо оригинала, когато оформлението е важно.
Защо две оценки за точност могат да се разминават?
Те могат да използват различни документи, референтни конвенции или измервания. Грешките в символите, грешките в думите, пропуснатите региони и проблемите с реда на четене не са едно и също нещо.