1. Ξεκινήστε με την καλύτερη διαθέσιμη πηγή
Χρησιμοποιήστε την αρχική σάρωση ή το αρχείο κάμερας αντί για ένα στιγμιότυπο οθόνης μιας μικρογραφίας. Εάν κάποιος έστειλε μια μικρή προεπισκόπηση, ζητήστε το πρωτότυπο έγγραφο. Όταν ένα PDF έχει ήδη ακριβές επιλέξιμο κείμενο, επαναχρησιμοποιήστε αυτό το κείμενο αντί να το μετατρέψετε σε εικόνα και να το αναγνωρίσετε ξανά.
Κρατήστε ένα αμετάβλητο αντίγραφο πριν προσαρμόσετε την αντίθεση, την περιστροφή ή την περικοπή. Το πρωτότυπο είναι η αναφορά σας όταν μια μεταγενέστερη έκδοση χάνει αμυδρή στίξη ή χειρόγραφα σημάδια. Δώστε στα αντίγραφα εργασίας περιγραφικά ονόματα ώστε να μπορείτε να τα συγκρίνετε χωρίς να μαντεύετε ποιο αρχείο επεξεργάστηκε.
2. Κάντε τα γράμματα ευανάγνωστα πριν από τη μεταφόρτωση
Για μια φωτογραφία, κρατήστε τη σελίδα επίπεδη, κρατήστε την κάμερα περίπου παράλληλα με αυτήν και χρησιμοποιήστε ομοιόμορφο φωτισμό. Αποφύγετε την αντανάκλαση σε γυαλιστερό χαρτί και τις σκιές από το χέρι ή το τηλέφωνό σας. Ελέγξτε μερικές μικρές λέξεις πριν αποθηκεύσετε το έγγραφο· μια επαναληπτική λήψη είναι ευκολότερη όσο η πηγή είναι ακόμα διαθέσιμη.
Για μια σάρωση, τα 300 pixel ανά ίντσα είναι ένα χρήσιμο σημείο εκκίνησης για συνηθισμένο εκτυπωμένο κείμενο. Το IMPACT συνιστά υψηλότερη ανάλυση για πολύ μικρά γράμματα. Τα Εθνικά Αρχεία των ΗΠΑ ορίζουν επίσης 300 ppi για σύγχρονα μόνιμα κείμενα στις δικές τους απαιτήσεις ψηφιοποίησης. Αυτές είναι αναφορές λήψης, όχι εγγύηση ότι κάθε σελίδα θα αναγνωριστεί σωστά.
Η αλλαγή μιας ετικέτας DPI σε ένα υπάρχον αρχείο χαμηλής ανάλυσης δεν δημιουργεί νέα λεπτομέρεια. Επιθεωρήστε τις άκρες των χαρακτήρων και τη στίξη, και σαρώστε ξανά σε κατάλληλη ανάλυση όταν το πρωτότυπο είναι διαθέσιμο.
3. Ισιώστε την προβολή και επιλέξτε μια συνεκτική περιοχή
Κάντε το κείμενο όρθιο και αφαιρέστε άσχετα περιθώρια όταν ανταγωνίζονται τη σελίδα. Αφήστε λίγο χώρο γύρω από το επιδιωκόμενο κείμενο: μια στενή περικοπή μπορεί να κόψει τόνους, κατερχόμενα γράμματα ή το τελευταίο ψηφίο ενός αριθμού.
Για στήλες, αναγνωρίστε μία στήλη ή ένα λογικά συνδεδεμένο απόσπασμα τη φορά όταν η σειρά ολόκληρης της σελίδας δεν είναι αξιόπιστη. Κρατήστε τις επικεφαλίδες των πινάκων με τις τιμές τους. Ο διαχωρισμός κάθε μικροσκοπικού κελιού μπορεί να αφαιρέσει το πλαίσιο που χρειάζεστε για να ανακατασκευάσετε το αποτέλεσμα.
4. Συγκρίνετε μέτριες προσαρμογές εικόνας
Μια μικρή προσαρμογή αντίθεσης μπορεί να βοηθήσει το αμυδρό κείμενο, ενώ το υπερβολικό φιλτράρισμα μπορεί να το σβήσει. Το σκούρο χρώμα της σελίδας μπορεί επίσης να ενισχύσει λεκέδες, την υφή του χαρτιού ή γραφή από την πίσω πλευρά. Συγκρίνετε την προσαρμοσμένη εικόνα με την αρχική στο ίδιο επίπεδο ζουμ.
Δοκιμάστε μία προσαρμογή σε ένα δύσκολο απόσπασμα πριν αλλάξετε τα πάντα. Εάν μια βελτίωση κάνει την εικόνα να φαίνεται καθαρότερη αλλά αφαιρεί ένα κόμμα ή ενώνει δύο γράμματα, δεν έχει βελτιώσει τα στοιχεία για το OCR.
5. Ορίστε τη γλώσσα και συγκρίνετε τις λειτουργίες αναγνώρισης
Επιλέξτε τη γλώσσα που χρησιμοποιείται πραγματικά στο επιλεγμένο κείμενο. Το i2OCR παρέχει 128 επιλογές αναγνώρισης, συμπεριλαμβανομένων γραφών και ιστορικών παραλλαγών. Για μια σελίδα μεικτής γλώσσας, ο διαχωρισμός διακριτών περιοχών μπορεί να κάνει το αποτέλεσμα πιο εύκολο στην αξιολόγηση.
Το Classic είναι ένα χρήσιμο σημείο εκκίνησης για καθαρό εκτυπωμένο υλικό. Το Future μπορεί να βοηθήσει με πιο ποικίλα έγγραφα και χειρόγραφα. Συγκρίνετε το ίδιο σύντομο απόσπασμα όταν δεν είστε σίγουροι. Κρίνετε το πλήρες μεταγραφικό κείμενο, συμπεριλαμβανομένων των παραλειπόμενων λέξεων και της σειράς γραμμών, αντί για μερικές σωστά αναγνωρισμένες προτάσεις.
6. Ελέγξτε το κείμενο σε σχέση με την εικόνα
Ελέγξτε ένα δείγμα από την αρχή, τη μέση και το τέλος της επιλεγμένης περιοχής. Στη συνέχεια, επιθεωρήστε τις λεπτομέρειες που φέρουν το μεγαλύτερο νόημα. Μια λανθασμένη υποδιαστολή ή μια λέξη που λείπει, όπως το όχι, μπορεί να έχει μεγαλύτερη σημασία από αρκετά συνηθισμένα ορθογραφικά σφάλματα.
- Τα ονόματα, τα αναγνωριστικά, οι ημερομηνίες, οι υποδιαστολές και οι μονάδες ταιριάζουν με την πηγή.
- Κάθε επιδιωκόμενη γραμμή είναι παρούσα· οι επικεφαλίδες και οι υποσημειώσεις βρίσκονται σε λογικά σημεία.
- Οι στήλες και οι γραμμές των πινάκων δεν έχουν συνδυαστεί λανθασμένα.
- Τα ασαφή αποσπάσματα επισημαίνονται για αναθεώρηση αντί να μαντεύονται σιωπηλά.
- Ένα αντιγραμμένο παράθεμα διατηρεί τη διατύπωση και τη στίξη που σκοπεύετε να αναφέρετε.
7. Αποθηκεύστε το αναθεωρημένο αποτέλεσμα και επαναχρησιμοποιήστε ό,τι λειτούργησε
Αποθηκεύστε το διορθωμένο μεταγραφικό κείμενο πριν το μεταφράσετε ή το ξαναγράψετε. Κρατήστε το όνομα αρχείου της πηγής ή την αναφορά σελίδας με το αποτέλεσμα. Εάν επεξεργαστείτε παρόμοια έγγραφα αργότερα, σημειώστε τη γλώσσα, την επιλεγμένη περιοχή και τις προσαρμογές που βοήθησαν.
Τα διαδικτυακά εργαλεία δέχονται μία εικόνα έως 25 MB ή ένα PDF έως 200 MB και 750 σελίδες πηγής, υπό την επιφύλαξη του ορίου που εμφανίζεται στο εργαλείο. Το PDF OCR επεξεργάζεται μία επιλεγμένη σελίδα ή περιοχή ανά αίτημα. Ισχύουν επίσης οι διαστάσεις εικόνας και τα όρια επεξεργασίας, επομένως μια μικρότερη, καλά αποτυπωμένη πηγή μπορεί να είναι πιο πρακτική από ένα πολύ μεγάλο αρχείο.
Ερωτήσεις και απαντήσεις
Σε τι ανάλυση πρέπει να κάνω τη σάρωση;
Ξεκινήστε από περίπου 300 ppi για συνηθισμένο εκτυπωμένο κείμενο· τα μικρότερα γράμματα ενδέχεται να απαιτούν λήψη υψηλότερης ανάλυσης. Ελέγξτε τα πραγματικά γράμματα. Η ανάλυση από μόνη της δεν μπορεί να διορθώσει το θόλωμα, την αντανάκλαση ή τα κατεστραμμένα πρωτότυπα.
Πρέπει να μετατρέπω κάθε εικόνα σε ασπρόμαυρη;
Όχι. Η κατωφλιοποίηση (thresholding) μπορεί να αφαιρέσει αχνό κείμενο ή να συγχωνεύσει πινελιές. Διατηρήστε το πρωτότυπο και συγκρίνετε μια μικρή περιοχή πριν προχωρήσετε σε ασπρόμαυρη έκδοση.
Θα δίνει πάντα ένα μεγαλύτερο αρχείο καλύτερη OCR;
Όχι. Το μέγεθος του αρχείου αντικατοπτρίζει τις διαστάσεις, τη συμπίεση και τη μορφή, όχι μόνο την αναγνωσιμότητα. Μια καθαρή, σωστά καδραρισμένη εικόνα μπορεί να είναι πιο χρήσιμη από μια μεγάλη αλλά θολή φωτογραφία.