Fichiers et sortie
Commencez par ce que contient le fichier. Un PDF peut contenir des images, du texte encodé ou les deux ; son nom de fichier ne vous indique pas si ses mots peuvent être sélectionnés.
OCR — reconnaissance optique de caractères
Le processus d'identification des caractères visibles dans une image et leur représentation sous forme de texte encodé. Il vous permet de réutiliser des mots provenant d'une numérisation ou d'une photo ; le résultat reconnu peut encore nécessiter une correction.
PDF numérisé
Un PDF dont les pages incluent des images de documents numérisées ou photographiées. Certains PDF numérisés possèdent également une couche de texte OCR, tandis que d'autres ne contiennent que des images.
PDF né numérique
Un PDF créé directement à partir de contenu numérique, tel qu'un éditeur de documents, plutôt que par la numérisation de papier. Il contient souvent du texte réel, bien que la sélection et l'extraction puissent encore être affectées par la manière dont il a été produit.
PDF consultable
Un PDF contenant du texte qu'un lecteur peut rechercher. Une page numérisée peut devenir interrogeable lorsque du texte reconnu est ajouté à côté de son image. La capacité de recherche ne garantit pas en soi la précision ou l'accessibilité.
Couche de texte
Le texte encodé stocké dans un PDF. Sur une page numérisée, il peut être invisible et positionné au-dessus ou en dessous de l'image afin que la sélection et la recherche fonctionnent tout en conservant l'apparence originale.
Structure de la page
Un outil de reconnaissance doit faire plus qu'identifier des lettres. Il doit également décider quels signes vont ensemble et comment le lecteur doit les parcourir.
Analyse de mise en page
Identification des régions telles que les paragraphes, les titres, les images et les tableaux. Reconnaître les mots d'un tableau et préserver sa structure en lignes et colonnes sont des tâches liées mais distinctes.
Ordre de lecture
La séquence prévue du texte. Un article à deux colonnes doit normalement suivre une colonne avant de continuer dans la suivante, plutôt que d'alterner entre les deux. Des mots corrects dans le mauvais ordre peuvent produire une transcription inutilisable.
Segmentation
Division d'une page en unités plus petites telles que des régions de texte, des lignes ou des caractères. Des limites incorrectes peuvent joindre des mots voisins, diviser un caractère ou mélanger des parties non liées d'une page.
RTL — texte de droite à gauche
Texte dans des écritures telles que l'arabe ou l'hébreu qui s'écoule généralement de droite à gauche. Les chiffres et le texte latin intégré peuvent suivre des directions différentes. L'ordre d'affichage et l'ordre des caractères stockés ne sont pas nécessairement les mêmes.
Préparation de l'image
La préparation modifie la manière dont les marques existantes sont présentées à la reconnaissance. Elle ne peut pas établir un texte que l'image source ne contient plus.
PPI et DPI
Les pixels par pouce décrivent l'échantillonnage de l'image à une taille physique ; les points par pouce décrivent la densité des points imprimés. Les paramètres de numérisation utilisent souvent DPI de manière informelle. Modifier la valeur stockée seule n'ajoute pas de détails à une image existante.
Redressement
Correction d'une légère inclinaison afin que les lignes de texte deviennent plus horizontales. C'est différent de la rotation d'une page à l'envers ou de la correction de la perspective d'une photographie prise sous un angle.
Binarisation
Conversion d'une image en pixels noirs et blancs à l'aide d'un seuil ou d'une autre règle de décision. Cela peut simplifier une page claire, mais peut aussi faire perdre des marques pâles ou fusionner des traits proches.
Prétraitement
Ajustements d'image effectués avant la reconnaissance, tels que la correction de l'orientation, le recadrage ou les changements de contraste. Un ajustement utile améliore les marques reconnaissables sans supprimer la ponctuation, les accents ou d'autres détails significatifs.
Reconnaissance et révision
Une évaluation décrit une tâche et un jeu de données particuliers. Lisez la définition d'un score avant de le comparer avec un autre résultat ou de l'utiliser pour juger vos propres documents.
Reconnaissance de l'écriture manuscrite
Reconnaissance de caractères ou de mots manuscrits. Les lettres liées, les abréviations personnelles et les formes spécifiques à l'écrivain en font un défi différent de celui du texte imprimé clair.
Score de confiance
Une estimation qu'un système de reconnaissance peut attacher à une prédiction. Sa signification dépend du système et de l'étalonnage. Ce n'est pas automatiquement la probabilité qu'un document entier soit correct.
CER — taux d'erreur de caractères
Une comparaison du texte reconnu avec une référence vérifiée, basée sur les insertions, suppressions et substitutions de caractères par rapport à la longueur de référence. Plus le taux est bas, mieux c'est. Un CER faible peut encore masquer une erreur importante dans un nom ou un nombre.
WER — taux d'erreur de mots
Une comparaison similaire au niveau du mot. Un caractère incorrect peut faire compter un mot entier comme faux. Le WER et le CER décrivent donc des aspects différents d'une transcription et ne doivent pas être traités comme interchangeables.
Vérité terrain
La référence vérifiée utilisée pour évaluer la reconnaissance. Ses conventions de transcription importent : la manière dont elle gère la ponctuation, l'orthographe, les espaces et le texte illisible affecte la comparaison. Une référence défectueuse peut produire un score trompeur.
Questions et réponses
OCR est-il identique à la traduction ?
Non. OCR lit le texte visible sous une forme modifiable. La traduction exprime le texte dans une autre langue. Réviser la reconnaissance en premier aide à éviter de traduire une source mal lue.
Un téléchargement Word est-il une copie de la mise en page originale ?
Pas nécessairement. Un document modifiable peut contenir du texte reconnu sans préserver les tableaux, l'espacement ou la conception de page de la source. Vérifiez la sortie par rapport à l'original lorsque la mise en page est importante.
Pourquoi deux scores de précision peuvent-ils être en désaccord ?
Ils peuvent utiliser des documents, des conventions de référence ou des mesures différents. Les erreurs de caractères, les erreurs de mots, les régions omises et les problèmes d'ordre de lecture ne sont pas la même chose.