Dateien und Ausgabe
Beginnen Sie damit, was die Datei enthält. Ein PDF kann Bilder, kodierten Text oder beides enthalten; der Dateiname verrät Ihnen nicht, ob die Wörter ausgewählt werden können.
OCR — optische Zeichenerkennung
Der Prozess der Identifizierung sichtbarer Zeichen in einem Bild und deren Darstellung als kodierter Text. Er ermöglicht es Ihnen, Wörter aus einem Scan oder Foto wiederzuverwenden; das erkannte Ergebnis muss möglicherweise noch korrigiert werden.
Gescanntes PDF
Ein PDF, dessen Seiten gescannte oder fotografierte Dokumentbilder enthalten. Einige gescannte PDFs verfügen zudem über eine OCR-Textebene, während andere nur Bilder enthalten.
Digital erzeugtes PDF
Ein PDF, das direkt aus digitalen Inhalten erstellt wurde, beispielsweise mit einem Texteditor, anstatt durch das Scannen von Papier. Es enthält oft echten Text, obwohl Auswahl und Extraktion dennoch davon beeinflusst werden können, wie es erstellt wurde.
Durchsuchbares PDF
Ein PDF, das Text enthält, den ein Leser durchsuchen kann. Eine gescannte Seite kann durchsuchbar werden, wenn erkannter Text neben dem Bild hinzugefügt wird. Durchsuchbarkeit allein garantiert jedoch keine Genauigkeit oder Barrierefreiheit.
Textebene
Der kodierte Text, der in einem PDF gespeichert ist. Auf einer gescannten Seite kann er unsichtbar sein und über oder unter dem Bild positioniert sein, sodass Auswahl und Suche funktionieren, während das ursprüngliche Erscheinungsbild sichtbar bleibt.
Seitenstruktur
Ein Erkennungssystem muss mehr tun, als nur Buchstaben zu identifizieren. Es muss auch entscheiden, welche Zeichen zusammengehören und wie der Leser durch sie navigieren sollte.
Layout-Analyse
Identifizierung von Bereichen wie Absätzen, Überschriften, Bildern und Tabellen. Das Erkennen der Wörter einer Tabelle und die Beibehaltung ihrer Zeilen- und Spaltenstruktur sind verwandte, aber unterschiedliche Aufgaben.
Leserichtung
Die beabsichtigte Abfolge des Textes. Ein zweispaltiger Artikel sollte normalerweise erst eine Spalte abarbeiten, bevor er in der nächsten fortfährt, anstatt zwischen beiden zu wechseln. Korrekte Wörter in der falschen Reihenfolge können ein unbrauchbares Transkript erzeugen.
Segmentierung
Unterteilung einer Seite in kleinere Einheiten wie Textbereiche, Zeilen oder Zeichen. Falsche Grenzen können benachbarte Wörter verbinden, ein Zeichen trennen oder nicht zusammengehörige Teile einer Seite vermischen.
RTL — Text von rechts nach links
Text in Skripten wie Arabisch oder Hebräisch, der im Allgemeinen von rechts nach links verläuft. Zahlen und eingebetteter lateinischer Text können anderen Richtungen folgen. Anzeigereihenfolge und gespeicherte Zeichenreihenfolge sind nicht notwendigerweise identisch.
Bildvorbereitung
Die Vorbereitung ändert, wie die vorhandenen Zeichen dem Erkennungssystem präsentiert werden. Sie kann keinen Text wiederherstellen, den das Quellbild nicht mehr enthält.
PPI und DPI
Pixel pro Zoll beschreiben die Bildabtastung bei einer physischen Größe; Punkte pro Zoll beschreiben die Dichte gedruckter Punkte. Scaneinstellungen verwenden oft informell DPI. Das bloße Ändern des gespeicherten Wertes fügt einem vorhandenen Bild keine Details hinzu.
Deskew (Schräglagenkorrektur)
Korrektur einer leichten Neigung, damit Textzeilen horizontaler werden. Dies unterscheidet sich vom Drehen einer auf dem Kopf stehenden Seite oder der Korrektur der Perspektive eines schräg aufgenommenen Fotos.
Binarisierung
Umwandlung eines Bildes in Schwarz-Weiß-Pixel mithilfe eines Schwellenwerts oder einer anderen Entscheidungsregel. Dies kann eine klare Seite vereinfachen, aber auch blasse Zeichen verlieren oder nahe beieinander liegende Striche verschmelzen lassen.
Vorverarbeitung
Bildanpassungen, die vor der Erkennung vorgenommen werden, wie Ausrichtungskorrektur, Zuschneiden oder Kontraständerungen. Eine nützliche Anpassung verbessert die erkennbaren Zeichen, ohne Satzzeichen, Akzente oder andere bedeutsame Details zu entfernen.
Erkennung und Überprüfung
Eine Bewertung beschreibt eine bestimmte Aufgabe und einen Datensatz. Lesen Sie die Definition eines Wertes, bevor Sie ihn mit einem anderen Ergebnis vergleichen oder zur Beurteilung Ihrer eigenen Dokumente verwenden.
Handschrifterkennung
Erkennung von handgeschriebenen Zeichen oder Wörtern. Verbundene Buchstaben, persönliche Abkürzungen und schreiberspezifische Formen machen dies zu einer anderen Herausforderung als bei klarem gedrucktem Text.
Konfidenzwert
Eine Schätzung, die ein Erkennungssystem einer Vorhersage zuordnen kann. Ihre Bedeutung hängt vom System und der Kalibrierung ab. Es ist nicht automatisch die Wahrscheinlichkeit, dass ein gesamtes Dokument korrekt ist.
CER — Zeichenfehlerrate
Ein Vergleich von erkanntem Text mit einer geprüften Referenz, basierend auf Zeicheneinfügungen, -löschungen und -ersetzungen im Verhältnis zur Referenzlänge. Niedriger ist besser. Eine niedrige CER kann dennoch einen wichtigen Fehler in einem Namen oder einer Zahl verbergen.
WER — Wortfehlerrate
Ein ähnlicher Vergleich auf Wortebene. Ein falsches Zeichen kann dazu führen, dass ein ganzes Wort als falsch gezählt wird. WER und CER beschreiben daher unterschiedliche Aspekte eines Transkripts und sollten nicht als austauschbar betrachtet werden.
Ground Truth (Referenzdaten)
Die geprüfte Referenz, die zur Bewertung der Erkennung verwendet wird. Ihre Transkriptionskonventionen sind wichtig: Wie sie mit Satzzeichen, Rechtschreibung, Leerzeichen und unleserlichem Text umgeht, beeinflusst den Vergleich. Eine fehlerhafte Referenz kann zu einem irreführenden Ergebnis führen.
Fragen und Antworten
Ist OCR dasselbe wie Übersetzung?
Nein. OCR liest sichtbaren Text in eine bearbeitbare Form. Übersetzung drückt Text in einer anderen Sprache aus. Die Überprüfung der Erkennung hilft zunächst, die Übersetzung einer falsch gelesenen Quelle zu vermeiden.
Ist ein Word-Download eine Kopie des ursprünglichen Layouts?
Nicht unbedingt. Ein bearbeitbares Dokument kann erkannten Text enthalten, ohne die Tabellen, Abstände oder das Seitendesign der Quelle beizubehalten. Überprüfen Sie die Ausgabe anhand des Originals, wenn das Layout wichtig ist.
Warum können zwei Genauigkeitswerte voneinander abweichen?
Sie verwenden möglicherweise unterschiedliche Dokumente, Referenzkonventionen oder Messungen. Zeichenfehler, Wortfehler, ausgelassene Bereiche und Probleme mit der Leserichtung sind nicht dasselbe.