1. Začněte s nejlepším dostupným zdrojem
Použijte původní sken nebo soubor z fotoaparátu namísto snímku obrazovky náhledu. Pokud vám někdo poslal malý náhled, vyžádejte si původní dokument. Pokud PDF již má přesný text, který lze vybrat, znovu jej použijte namísto převodu na obrázek a opětovného rozpoznávání.
Před úpravou kontrastu, otočení nebo oříznutí si ponechte nezměněnou kopii. Originál je vaší referencí, když pozdější verze ztratí slabou interpunkci nebo ručně psané značky. Pracovním kopiím dávejte popisné názvy, abyste je mohli porovnat, aniž byste museli hádat, který soubor byl upraven.
2. Před nahráním zajistěte čitelnost písmen
U fotografie udržujte stránku rovně, držte fotoaparát zhruba rovnoběžně s ní a používejte rovnoměrné světlo. Vyhněte se odleskům na lesklém papíře a stínům od ruky nebo telefonu. Před odložením dokumentu zkontrolujte několik malých slov; opakované pořízení je snazší, dokud je zdroj stále k dispozici.
Pro skenování je 300 pixelů na palec užitečným výchozím bodem pro běžný tištěný text. IMPACT doporučuje vyšší rozlišení pro velmi malý tisk. Národní archiv USA také specifikuje 300 ppi pro moderní trvalé textové záznamy ve svých vlastních požadavcích na digitalizaci. Toto jsou referenční hodnoty pro zachycení, nikoliv záruka, že každá stránka bude rozpoznána správně.
Změna štítku DPI u stávajícího souboru s nízkým rozlišením nevytvoří nové detaily. Zkontrolujte okraje znaků a interpunkci a pokud je k dispozici originál, znovu jej naskenujte v odpovídajícím rozlišení.
3. Narovnejte pohled a vyberte souvislou oblast
Text narovnejte a odstraňte irelevantní okraje, pokud soupeří se stránkou. Kolem zamýšleného textu ponechte trochu místa: těsný ořez může odříznout diakritiku, spodní dotahy písmen nebo poslední číslici čísla.
U sloupců rozpoznávejte jeden sloupec nebo logicky propojenou pasáž najednou, pokud je pořadí celé stránky nespolehlivé. Nadpisy tabulek ponechte u jejich hodnot. Oddělení každé drobné buňky může odstranit kontext, který potřebujete k rekonstrukci výsledku.
4. Porovnejte mírné úpravy obrázku
Malá úprava kontrastu může pomoci slabému textu, zatímco nadměrné filtrování jej může vymazat. Ztmavení stránky může také zvýraznit skvrny, texturu papíru nebo psaní z opačné strany. Upravený obrázek porovnejte s originálem při stejném přiblížení.
Před změnou všeho vyzkoušejte jednu úpravu na obtížné pasáži. Pokud vylepšení způsobí, že obrázek vypadá čistěji, ale odstraní čárku nebo spojí dvě písmena, nezlepšilo to důkazy pro OCR.
5. Nastavte jazyk a porovnejte režimy rozpoznávání
Zvolte jazyk, který se skutečně používá ve vybraném textu. i2OCR poskytuje 128 možností rozpoznávání, včetně písma a historických variant. U stránky s více jazyky může oddělení odlišných oblastí usnadnit vyhodnocení výsledku.
Classic je užitečným výchozím bodem pro jasné tištěné materiály. Future může pomoci u rozmanitějších dokumentů a rukopisu. Pokud si nejste jisti, porovnejte stejnou krátkou pasáž. Posuzujte kompletní přepis, včetně vynechaných slov a pořadí řádků, namísto několika správně rozpoznaných vět.
6. Zkontrolujte text oproti obrázku
Zkontrolujte vzorek z horní, střední a dolní části vybrané oblasti. Poté zkontrolujte detaily, které nesou největší význam. Špatně umístěná desetinná čárka nebo chybějící slovo, jako je „ne“, může znamenat více než několik běžných pravopisných chyb.
- Jména, identifikátory, data, desetinné čárky a jednotky odpovídají zdroji.
- Každý zamýšlený řádek je přítomen; záhlaví a zápatí jsou na rozumných místech.
- Sloupce a řádky tabulky nebyly nesprávně zkombinovány.
- Nejasné pasáže jsou označeny k revizi namísto tichého hádání.
- Zkopírovaná citace zachovává znění a interpunkci, kterou hodláte citovat.
7. Uložte revidovaný výsledek a znovu použijte to, co fungovalo
Před překladem nebo přepsáním uložte opravený přepis. K výsledku si ponechte název zdrojového souboru nebo odkaz na stránku. Pokud budete později zpracovávat podobné dokumenty, poznamenejte si jazyk, vybranou oblast a úpravy, které pomohly.
Online nástroje přijímají jeden obrázek do 25 MB nebo jeden PDF do 200 MB a 750 zdrojových stránek, v závislosti na limitu zobrazeném v nástroji. PDF OCR zpracovává jednu vybranou stránku nebo oblast na požadavek. Platí také rozměry obrázku a limity zpracování, takže menší, dobře zachycený zdroj může být praktičtější než velmi velký soubor.
Otázky a odpovědi
V jakém rozlišení mám skenovat?
Pro běžný tištěný text začněte na hodnotě 300 ppi; menší písmo může vyžadovat skenování ve vyšším rozlišení. Zkontrolujte skutečné znaky. Samotné rozlišení nedokáže opravit rozmazání, odlesky ani poškozené originály.
Mám převést každý obrázek na černobílý?
Ne. Prahování (thresholding) může odstranit slabý text nebo slít tahy písma. Ponechte si originál a před převodem na černobílou verzi porovnejte malou část.
Bude mít větší soubor vždy lepší OCR?
Ne. Velikost souboru odráží rozměry, kompresi a formát, nikoliv pouze čitelnost. Jasný a dobře oříznutý obrázek může být užitečnější než velká, ale rozmazaná fotografie.