Tiedostot ja tulosteet
Aloita siitä, mitä tiedosto sisältää. PDF voi sisältää kuvia, koodattua tekstiä tai molempia; tiedostonimi ei kerro, voiko sen sanoja valita.
OCR — optinen tekstintunnistus
Prosessi, jossa kuvassa olevat näkyvät merkit tunnistetaan ja esitetään koodattuna tekstinä. Sen avulla voit käyttää skannauksen tai valokuvan sanoja uudelleen; tunnistettu tulos saattaa silti vaatia korjausta.
Skannattu PDF
PDF, jonka sivuilla on skannattuja tai valokuvattuja asiakirjakuvia. Joissakin skannatuissa PDF-tiedostoissa on myös OCR-tekstikerros, kun taas toiset sisältävät vain kuvia.
Digitaalisesti luotu PDF
PDF, joka on luotu suoraan digitaalisesta sisällöstä, kuten tekstinkäsittelyohjelmalla, eikä paperia skannaamalla. Se sisältää usein varsinaista tekstiä, vaikka valintaan ja tekstin erottamiseen voi silti vaikuttaa se, miten tiedosto on tuotettu.
Haettava PDF
PDF, joka sisältää tekstiä, jota lukija voi hakea. Skannattu sivu voi muuttua haettavaksi, kun tunnistettu teksti lisätään kuvan rinnalle. Haettavuus ei itsessään takaa tarkkuutta tai saavutettavuutta.
Tekstikerros
PDF-tiedostoon tallennettu koodattu teksti. Skannatulla sivulla se voi olla näkymätön ja sijoitettu kuvan päälle tai alle, jotta valinta ja haku toimivat, vaikka alkuperäinen ulkoasu pysyy näkyvissä.
Sivun rakenne
Tunnistimen on tehtävä muutakin kuin tunnistettava kirjaimia. Sen on myös päätettävä, mitkä merkit kuuluvat yhteen ja miten lukijan tulisi edetä niiden läpi.
Asettelun analyysi
Alueiden, kuten kappaleiden, otsikoiden, kuvien ja taulukoiden tunnistaminen. Taulukon sanojen tunnistaminen ja sen rivi- ja sarakerakenteen säilyttäminen ovat toisiinsa liittyviä, mutta erillisiä tehtäviä.
Lukujärjestys
Tekstin tarkoitettu järjestys. Kaksipalstaisen artikkelin tulisi normaalisti edetä yhden palstan loppuun ennen kuin se jatkuu seuraavassa, eikä vuorotella molempien välillä. Oikeat sanat väärässä järjestyksessä voivat tuottaa käyttökelvottoman tekstin.
Segmentointi
Sivun jakaminen pienempiin yksiköihin, kuten tekstialueisiin, riveihin tai merkkeihin. Virheelliset rajaukset voivat yhdistää vierekkäisiä sanoja, jakaa merkin tai sekoittaa sivun toisiinsa liittymättömiä osia.
RTL — oikealta vasemmalle suuntautuva teksti
Teksti kielillä kuten arabia tai heprea, joka kulkee yleensä oikealta vasemmalle. Numerot ja upotettu latinalainen teksti voivat noudattaa eri suuntia. Näyttöjärjestys ja tallennettu merkkijärjestys eivät välttämättä ole samat.
Kuvan esikäsittely
Esikäsittely muuttaa sitä, miten olemassa olevat merkit esitetään tunnistettavaksi. Se ei voi luoda tekstiä, jota lähdekuvassa ei enää ole.
PPI ja DPI
Pikseliä tuumalla kuvaa kuvan näytteenottoa fyysisessä koossa; pistettä tuumalla kuvaa painetun pisteen tiheyttä. Skannausasetuksissa käytetään usein DPI-termiä epävirallisesti. Pelkän tallennetun arvon muuttaminen ei lisää yksityiskohtia olemassa olevaan kuvaan.
Suoristus (deskew)
Pienen kallistuksen korjaaminen niin, että tekstirivit muuttuvat vaakasuoriksi. Tämä on eri asia kuin ylösalaisin olevan sivun kääntäminen tai vinosta kulmasta otetun valokuvan perspektiivin korjaaminen.
Binarisointi
Kuvan muuntaminen mustavalkoisiksi pikseleiksi kynnysarvon tai muun päätössäännön avulla. Se voi selkeyttää selkeää sivua, mutta voi myös hävittää haaleita merkkejä tai yhdistää lähekkäin olevia viivoja.
Esikäsittely
Ennen tunnistusta tehtävät kuvan säädöt, kuten suunnan korjaus, rajaus tai kontrastin muutokset. Hyödyllinen säätö parantaa tunnistettavia merkkejä poistamatta välimerkkejä, aksentteja tai muita merkityksellisiä yksityiskohtia.
Tunnistus ja tarkistus
Arviointi kuvaa tiettyä tehtävää ja aineistoa. Lue pistemäärän määritelmä ennen kuin vertaat sitä toiseen tulokseen tai käytät sitä omien asiakirjojesi arviointiin.
Käsialan tunnistus
Käsin kirjoitettujen merkkien tai sanojen tunnistus. Yhteenliitetyt kirjaimet, henkilökohtaiset lyhenteet ja kirjoittajakohtaiset muodot tekevät siitä erilaisen haasteen kuin selkeä painettu teksti.
Luottamusarvo
Arvio, jonka tunnistusjärjestelmä voi liittää ennusteeseen. Sen merkitys riippuu järjestelmästä ja kalibroinnista. Se ei ole automaattisesti todennäköisyys sille, että koko asiakirja on oikein.
CER — merkkivirheprosentti
Tunnistetun tekstin vertailu tarkistettuun vertailuaineistoon, joka perustuu merkkien lisäyksiin, poistoihin ja korvauksiin suhteessa vertailuaineiston pituuteen. Pienempi on parempi. Alhainen CER voi silti kätkeä tärkeän virheen nimessä tai numerossa.
WER — sanavirheprosentti
Samankaltainen vertailu sanatasolla. Yksi virheellinen merkki voi saada koko sanan laskettavaksi vääräksi. WER ja CER kuvaavat siksi tekstin eri puolia, eikä niitä tule pitää keskenään vaihdettavina.
Ground truth (oikea vastaus)
Tunnistuksen arviointiin käytetty tarkistettu vertailuaineisto. Sen transkriptiosäännöt ovat tärkeitä: se, miten se käsittelee välimerkkejä, oikeinkirjoitusta, välilyöntejä ja lukukelvotonta tekstiä, vaikuttaa vertailuun. Virheellinen vertailuaineisto voi tuottaa harhaanjohtavan tuloksen.
Kysymyksiä ja vastauksia
Onko OCR sama asia kuin kääntäminen?
Ei. OCR lukee näkyvän tekstin muokattavaan muotoon. Kääntäminen ilmaisee tekstin toisella kielellä. Tunnistustuloksen tarkistaminen ensin auttaa välttämään väärin luetun lähteen kääntämistä.
Onko Word-lataus kopio alkuperäisestä asettelusta?
Ei välttämättä. Muokattava asiakirja voi sisältää tunnistettua tekstiä säilyttämättä alkuperäisen taulukoita, välistyksiä tai sivun ulkoasua. Tarkista tuloste alkuperäistä vasten, kun asettelulla on merkitystä.
Miksi kaksi tarkkuuslukua voivat olla ristiriidassa?
Ne voivat käyttää eri asiakirjoja, vertailukäytäntöjä tai mittauksia. Merkkivirheet, sanavirheet, puuttuvat alueet ja lukujärjestysongelmat eivät ole sama asia.