Filer og output
Start med, hvad filen indeholder. En PDF kan indeholde billeder, kodet tekst eller begge dele; filnavnet fortæller dig ikke, om ordene kan markeres.
OCR — optisk tegngenkendelse
Processen med at identificere synlige tegn i et billede og repræsentere dem som kodet tekst. Det giver dig mulighed for at genbruge ord fra en scanning eller et foto; det genkendte resultat kan stadig kræve rettelser.
Scannet PDF
En PDF, hvis sider indeholder scannede eller fotograferede dokumentbilleder. Nogle scannede PDF-filer har også et OCR-tekstlag, mens andre kun indeholder billeder.
Digitalt født PDF
En PDF, der er oprettet direkte fra digitalt indhold, såsom et dokumentredigeringsprogram, frem for ved at scanne papir. Den indeholder ofte faktisk tekst, selvom markering og udtrækning stadig kan påvirkes af, hvordan den blev produceret.
Søgbar PDF
En PDF, der indeholder tekst, som en læser kan søge i. En scannet side kan blive søgbar, når genkendt tekst tilføjes ved siden af billedet. Søgbarhed garanterer ikke i sig selv nøjagtighed eller tilgængelighed.
Tekstlag
Den kodede tekst, der er gemt i en PDF. På en scannet side kan den være usynlig og placeret over eller under billedet, så markering og søgning fungerer, mens det oprindelige udseende forbliver synligt.
Sidestruktur
En genkender skal gøre mere end blot at identificere bogstaver. Den skal også beslutte, hvilke tegn der hører sammen, og hvordan læseren skal bevæge sig igennem dem.
Layoutanalyse
Identificering af områder såsom afsnit, overskrifter, billeder og tabeller. At genkende en tabels ord og bevare dens række- og kolonnestruktur er relaterede, men forskellige opgaver.
Læserækkefølge
Den tilsigtede rækkefølge af tekst. En artikel i to kolonner bør normalt følge den ene kolonne, før den fortsætter i den næste, frem for at skifte mellem begge. Korrekte ord i forkert rækkefølge kan producere en ubrugelig udskrift.
Segmentering
Opdeling af en side i mindre enheder såsom tekstområder, linjer eller tegn. Ukorrekte grænser kan forbinde nabord, opdele et tegn eller blande urelaterede dele af en side sammen.
RTL — højre-til-venstre-tekst
Tekst i skrifttyper som arabisk eller hebraisk, der generelt flyder fra højre mod venstre. Tal og indlejret latinsk tekst kan følge andre retninger. Visningsrækkefølge og gemt tegnrækkefølge er ikke nødvendigvis den samme.
Billedforberedelse
Forberedelse ændrer, hvordan de eksisterende tegn præsenteres for genkendelse. Den kan ikke etablere tekst, som kildebilledet ikke længere indeholder.
PPI og DPI
Pixels per inch beskriver billedsampling ved en fysisk størrelse; dots per inch beskriver tætheden af trykte prikker. Scanningsindstillinger bruger ofte DPI uformelt. At ændre den gemte værdi alene tilføjer ikke detaljer til et eksisterende billede.
Deskew (opretning)
Korrektion af en lille hældning, så tekstlinjer bliver mere vandrette. Det er anderledes end at rotere en side, der vender på hovedet, eller at korrigere perspektivet på et fotografi taget i en vinkel.
Binarisering
Konvertering af et billede til sort-hvide pixels ved hjælp af en tærskelværdi eller en anden beslutningsregel. Det kan forenkle en klar side, men kan også miste svage tegn eller få nærliggende streger til at flyde sammen.
Forbehandling
Billedjusteringer foretaget før genkendelse, såsom korrektion af orientering, beskæring eller kontrastændringer. En nyttig justering forbedrer de genkendelige tegn uden at fjerne tegnsætning, accenter eller andre meningsfulde detaljer.
Genkendelse og gennemgang
En evaluering beskriver en bestemt opgave og et datasæt. Læs definitionen af en score, før du sammenligner den med et andet resultat eller bruger den til at bedømme dine egne dokumenter.
Håndskriftsgenkendelse
Genkendelse af håndskrevne tegn eller ord. Forbundne bogstaver, personlige forkortelser og skriverspecifikke former gør det til en anden udfordring end klar trykt tekst.
Konfidensscore
Et estimat, som et genkendelsessystem kan knytte til en forudsigelse. Dens betydning afhænger af systemet og kalibreringen. Det er ikke automatisk sandsynligheden for, at et helt dokument er korrekt.
CER — tegnfejlrate
En sammenligning af genkendt tekst med en kontrolleret reference, baseret på tegnindsættelser, sletninger og substitutioner i forhold til referencelængden. Lavere er bedre. En lav CER kan stadig skjule en vigtig fejl i et navn eller et tal.
WER — ordfejlrate
En lignende sammenligning på ordniveau. Ét forkert tegn kan gøre, at et helt ord tælles som forkert. WER og CER beskriver derfor forskellige aspekter af en udskrift og bør ikke betragtes som udskiftelige.
Ground truth (facit)
Den kontrollerede reference, der bruges til at evaluere genkendelse. Dens transkriptionskonventioner betyder noget: hvordan den håndterer tegnsætning, stavning, mellemrum og ulæselig tekst påvirker sammenligningen. En mangelfuld reference kan producere en misvisende score.
Spørgsmål og svar
Er OCR det samme som oversættelse?
Nej. OCR læser synlig tekst til en redigerbar form. Oversættelse udtrykker tekst på et andet sprog. At gennemgå genkendelsen først hjælper med at undgå at oversætte en fejltydet kilde.
Er en Word-download en kopi af det originale layout?
Ikke nødvendigvis. Et redigerbart dokument kan indeholde genkendt tekst uden at bevare kildens tabeller, afstand eller sidedesign. Tjek outputtet mod originalen, når layoutet er vigtigt.
Hvorfor kan to nøjagtighedsscorer være uenige?
De kan bruge forskellige dokumenter, referencekonventioner eller målinger. Tegnfejl, ordfejl, udeladte områder og problemer med læserækkefølgen er ikke det samme.