Soubory a výstup
Začněte tím, co soubor obsahuje. PDF může obsahovat obrázky, kódovaný text nebo obojí; název souboru vám neřekne, zda lze jeho slova vybrat.
OCR — optické rozpoznávání znaků
Proces identifikace viditelných znaků v obrázku a jejich reprezentace jako kódovaného textu. Umožňuje znovu použít slova ze skenu nebo fotografie; rozpoznaný výsledek může stále vyžadovat opravu.
Skenované PDF
PDF, jehož stránky obsahují skenované nebo fotografované obrázky dokumentů. Některé skenované soubory PDF mají také textovou vrstvu OCR, zatímco jiné obsahují pouze obrázky.
Digitálně vytvořené PDF
PDF vytvořené přímo z digitálního obsahu, například v textovém editoru, namísto skenování papíru. Často obsahuje skutečný text, ačkoliv výběr a extrakce mohou být stále ovlivněny způsobem, jakým byl dokument vytvořen.
Prohledávatelný PDF
PDF obsahující text, který může čtenář prohledávat. Skenovaná stránka se může stát prohledávatelnou, když je rozpoznaný text přidán vedle obrázku. Prohledávatelnost sama o sobě nezaručuje přesnost ani přístupnost.
Textová vrstva
Kódovaný text uložený v PDF. Na skenované stránce může být neviditelný a umístěný nad nebo pod obrázkem, takže výběr a vyhledávání fungují, zatímco původní vzhled zůstává zachován.
Struktura stránky
Rozpoznávací systém musí udělat víc než jen identifikovat písmena. Musí také rozhodnout, které značky patří k sobě a jak by se v nich měl čtenář pohybovat.
Analýza rozvržení
Identifikace oblastí, jako jsou odstavce, nadpisy, obrázky a tabulky. Rozpoznání slov v tabulce a zachování její struktury řádků a sloupců jsou související, ale odlišné úkoly.
Pořadí čtení
Zamýšlená posloupnost textu. Dvou-sloupcový článek by měl normálně následovat jeden sloupec před pokračováním v dalším, namísto střídání mezi oběma. Správná slova ve špatném pořadí mohou vytvořit nepoužitelný přepis.
Segmentace
Rozdělení stránky na menší jednotky, jako jsou textové oblasti, řádky nebo znaky. Nesprávné hranice mohou spojit sousední slova, rozdělit znak nebo smíchat nesouvisející části stránky.
RTL — text zprava doleva
Text v písmech, jako je arabština nebo hebrejština, který obecně plyne zprava doleva. Čísla a vložený latinský text mohou následovat jiným směrem. Pořadí zobrazení a pořadí uložených znaků nemusí být nutně stejné.
Příprava obrázku
Příprava mění způsob, jakým jsou stávající značky předloženy k rozpoznání. Nemůže vytvořit text, který zdrojový obrázek již neobsahuje.
PPI a DPI
Pixely na palec popisuje vzorkování obrázku při fyzické velikosti; body na palec popisuje hustotu tiskových bodů. Nastavení skenování často používá DPI neformálně. Pouhá změna uložené hodnoty nepřidá stávajícímu obrázku detaily.
Narovnání (deskew)
Oprava mírného náklonu, aby řádky textu byly vodorovnější. Liší se od otočení stránky vzhůru nohama nebo opravy perspektivy fotografie pořízené pod úhlem.
Binarizace
Převod obrázku na černobílé pixely pomocí prahu nebo jiného rozhodovacího pravidla. Může zjednodušit jasnou stránku, ale také může způsobit ztrátu bledých značek nebo slití blízkých tahů.
Předzpracování
Úpravy obrázku provedené před rozpoznáním, jako je oprava orientace, oříznutí nebo změny kontrastu. Užitečná úprava vylepší rozpoznatelné značky, aniž by odstranila interpunkci, akcenty nebo jiné smysluplné detaily.
Rozpoznávání a kontrola
Hodnocení popisuje konkrétní úkol a datovou sadu. Před porovnáním s jiným výsledkem nebo použitím k posouzení vlastních dokumentů si přečtěte definici skóre.
Rozpoznávání rukopisu
Rozpoznávání ručně psaných znaků nebo slov. Spojená písmena, osobní zkratky a tvary specifické pro pisatele z něj dělají jinou výzvu než u jasného tištěného textu.
Skóre spolehlivosti
Odhad, který může rozpoznávací systém přiřadit k predikci. Jeho význam závisí na systému a kalibraci. Není to automaticky pravděpodobnost, že je celý dokument správný.
CER — chybovost znaků
Porovnání rozpoznaného textu s ověřenou referencí na základě vložení, smazání a záměny znaků vzhledem k délce reference. Nižší hodnota je lepší. Nízké CER může stále skrývat důležitou chybu ve jméně nebo čísle.
WER — chybovost slov
Podobné porovnání na úrovni slov. Jeden nesprávný znak může způsobit, že celé slovo bude počítáno jako chybné. WER a CER proto popisují různé aspekty přepisu a neměly by být považovány za zaměnitelné.
Ground truth (referenční text)
Ověřená reference použitá k vyhodnocení rozpoznávání. Záleží na konvencích přepisu: jak zachází s interpunkcí, pravopisem, mezerami a nečitelným textem, což ovlivňuje porovnání. Chybná reference může vytvořit zavádějící skóre.
Otázky a odpovědi
Je OCR totéž co překlad?
Ne. OCR čte viditelný text do upravitelné podoby. Překlad vyjadřuje text v jiném jazyce. Kontrola rozpoznání jako první pomáhá vyhnout se překladu chybně přečteného zdroje.
Je stažený soubor Word kopií původního rozvržení?
Ne nutně. Upravitelný dokument může obsahovat rozpoznaný text, aniž by zachoval tabulky, mezery nebo design stránky zdroje. Pokud záleží na rozvržení, zkontrolujte výstup oproti originálu.
Proč se dvě skóre přesnosti mohou lišit?
Mohou používat různé dokumenty, referenční konvence nebo měření. Chyby znaků, chyby slov, vynechané oblasti a problémy s pořadím čtení nejsou totéž.