1. Aloita parhaalla saatavilla olevalla lähteellä
Käytä alkuperäistä skannausta tai kameratiedostoa pikkukuvan kuvakaappauksen sijaan. Jos joku lähetti pienen esikatselun, pyydä alkuperäinen asiakirja. Kun PDF sisältää jo tarkan valittavan tekstin, käytä kyseistä tekstiä uudelleen sen sijaan, että muuntaisit sen kuvaksi ja tunnistaisit sen uudelleen.
Säilytä muuttamaton kopio ennen kontrastin, kierron tai rajauksen säätämistä. Alkuperäinen on viitteesi, kun myöhempi versio kadottaa himmeät välimerkit tai käsinkirjoitetut merkit. Anna työkopioille kuvaavat nimet, jotta voit verrata niitä arvailematta, mitä tiedostoa on muokattu.
2. Tee kirjaimista luettavia ennen lataamista
Pidä valokuvattaessa sivu tasaisena, pidä kamera suunnilleen yhdensuuntaisena sen kanssa ja käytä tasaista valoa. Vältä kiiltävän paperin heijastuksia sekä kätesi tai puhelimesi varjoja. Tarkista muutama lyhyt sana ennen kuin laitat asiakirjan pois; uudelleenkuvaaminen on helpompaa, kun lähde on vielä saatavilla.
Skannauksessa 300 pikseliä tuumalla on hyödyllinen lähtökohta tavalliselle painetulle tekstille. IMPACT suosittelee korkeampaa resoluutiota erittäin pienelle tekstille. Yhdysvaltain kansallisarkisto määrittelee myös 300 ppi nykyaikaisille pysyville tekstiasiakirjoille omissa digitointivaatimuksissaan. Nämä ovat taltiointiviitteitä, eivät takuita siitä, että jokainen sivu tunnistetaan oikein.
DPI-tunnisteen muuttaminen olemassa olevaan matalaresoluutioiseen tiedostoon ei luo uusia yksityiskohtia. Tarkista kirjainten reunat ja välimerkit, ja skannaa uudelleen sopivalla resoluutiolla, kun alkuperäinen on saatavilla.
3. Suorista näkymä ja valitse yhtenäinen alue
Aseta teksti pystysuoraan ja poista epäolennaiset reunat, kun ne kilpailevat sivun kanssa. Jätä hieman tilaa tarkoitetun tekstin ympärille: tiukka rajaus voi leikata pois aksentteja, alaviivoja tai numeron viimeisen numeron.
Sarakkeiden kohdalla tunnista yksi sarake tai loogisesti yhdistetty tekstijakso kerrallaan, kun koko sivun järjestys on epäluotettava. Pidä taulukon otsikot niiden arvojen kanssa. Jokaisen pienen solun erottaminen voi poistaa kontekstin, jota tarvitset tuloksen rekonstruoimiseen.
4. Vertaa maltillisia kuvasäätöjä
Pieni kontrastin säätö voi auttaa himmeään tekstiin, kun taas liiallinen suodatus voi pyyhkiä sen pois. Sivun tummentaminen voi myös vahvistaa tahroja, paperin tekstuuria tai kääntöpuolelta näkyvää kirjoitusta. Vertaa säädettyä kuvaa alkuperäiseen samalla zoomaustasolla.
Kokeile yhtä säätöä vaikeaan kohtaan ennen kuin muutat kaiken. Jos parannus saa kuvan näyttämään puhtaammalta, mutta poistaa pilkun tai yhdistää kaksi kirjainta, se ei ole parantanut OCR-tunnistuksen näyttöä.
5. Aseta kieli ja vertaa tunnistustiloja
Valitse kieli, jota valitussa tekstissä todellisuudessa käytetään. i2OCR tarjoaa 128 tunnistusvaihtoehtoa, mukaan lukien kirjoitusjärjestelmät ja historialliset variantit. Monikielisellä sivulla erillisten alueiden erottaminen voi tehdä tuloksesta helpommin arvioitavan.
Classic on hyödyllinen lähtökohta selkeälle painetulle materiaalille. Future voi auttaa monipuolisemmissa asiakirjoissa ja käsinkirjoituksessa. Vertaa samaa lyhyttä tekstijaksoa, kun olet epävarma. Arvioi koko teksti, mukaan lukien puuttuvat sanat ja rivijärjestys, sen sijaan, että katsoisit vain muutamaa oikein tunnistettua lausetta.
6. Tarkista teksti kuvaa vasten
Tarkista näyte valitun alueen ylä-, keski- ja alaosasta. Tarkista sitten yksityiskohdat, joilla on eniten merkitystä. Väärin sijoitettu desimaalipiste tai puuttuva sana, kuten ei, voi merkitä enemmän kuin useat tavalliset kirjoitusvirheet.
- Nimet, tunnisteet, päivämäärät, desimaalipisteet ja yksiköt vastaavat lähdettä.
- Jokainen tarkoitettu rivi on läsnä; otsikot ja alaviitteet ovat järkevissä paikoissa.
- Sarakkeita ja taulukon rivejä ei ole yhdistetty virheellisesti.
- Epäselvät kohdat on merkitty tarkistettaviksi sen sijaan, että niitä olisi arvailtu hiljaa.
- Kopioitu lainaus säilyttää sanamuodon ja välimerkit, joita aiot lainata.
7. Tallenna tarkistettu tulos ja käytä uudelleen sitä, mikä toimi
Tallenna korjattu teksti ennen sen kääntämistä tai uudelleenkirjoittamista. Säilytä lähteen tiedostonimi tai sivuviite tuloksen mukana. Jos käsittelet vastaavia asiakirjoja myöhemmin, merkitse muistiin kieli, valittu alue ja säädöt, jotka auttoivat.
Verkkotyökalut hyväksyvät yhden kuvan, joka on enintään 25 MB, tai yhden PDF, joka on enintään 200 MB ja 750 lähdesivua, työkalussa näkyvän rajoituksen mukaisesti. PDF OCR käsittelee yhden valitun sivun tai alueen per pyyntö. Kuvan mitat ja käsittelyrajoitukset pätevät myös, joten pienempi, hyvin taltioitu lähde voi olla käytännöllisempi kuin erittäin suuri tiedosto.
Kysymyksiä ja vastauksia
Millä resoluutiolla minun pitäisi skannata?
Aloita noin 300 ppi:n tarkkuudella tavalliselle painetulle tekstille; pieni teksti voi hyötyä korkeamman resoluution tallennuksesta. Tarkista itse kirjaimet. Resoluutio yksinään ei korjaa epäterävyyttä, heijastuksia tai vaurioituneita alkuperäiskappaleita.
Pitäisikö jokainen kuva muuntaa mustavalkoiseksi?
Ei. Kynnysarvon määrittäminen voi poistaa haaleaa tekstiä tai yhdistää kirjaimien viivoja. Säilytä alkuperäinen ja vertaa pientä aluetta ennen kuin muutat koko kuvan mustavalkoiseksi.
Tuottaako suurempi tiedosto aina paremman OCR-tuloksen?
Ei. Tiedostokoko heijastaa mittoja, pakkausta ja muotoa, ei pelkästään luettavuutta. Selkeä ja hyvin rajattu kuva voi olla hyödyllisempi kuin suuri mutta epäterävä valokuva.