Fájlok és kimenet
Kezdje azzal, mit tartalmaz a fájl. Egy PDF tartalmazhat képeket, kódolt szöveget vagy mindkettőt; a fájlnévből nem derül ki, hogy a szavai kijelölhetőek-e.
OCR — optikai karakterfelismerés
A képen látható karakterek azonosításának és kódolt szövegként való megjelenítésének folyamata. Lehetővé teszi a szkennelt vagy fényképezett dokumentumok szavainak újrafelhasználását; a felismert eredmény még javításra szorulhat.
Szkennelt PDF
Egy PDF, amelynek oldalai szkennelt vagy fényképezett dokumentumképeket tartalmaznak. Egyes szkennelt PDF-ek OCR szövegréteggel is rendelkeznek, míg mások csak képeket tartalmaznak.
Digitálisan létrehozott PDF
Egy PDF, amely közvetlenül digitális tartalomból, például egy dokumentumszerkesztőből jött létre, nem pedig papír szkennelésével. Gyakran tartalmaz tényleges szöveget, bár a kijelölést és a kinyerést befolyásolhatja az előállítás módja.
Kereshető PDF
Egy PDF, amely olyan szöveget tartalmaz, amelyben az olvasó kereshet. Egy szkennelt oldal akkor válhat kereshetővé, ha a kép mellé felismert szöveget adnak. A kereshetőség önmagában nem garantálja a pontosságot vagy az akadálymentességet.
Szövegréteg
A PDF-ban tárolt kódolt szöveg. Egy szkennelt oldalon ez láthatatlan lehet, és a kép felett vagy alatt helyezkedik el, így a kijelölés és a keresés működik, miközben az eredeti megjelenés látható marad.
Oldalszerkezet
A felismerőnek többet kell tennie, mint a betűk azonosítása. El kell döntenie azt is, mely jelek tartoznak össze, és hogyan kell az olvasónak haladnia rajtuk keresztül.
Elrendezéselemzés
Az olyan régiók azonosítása, mint a bekezdések, címek, képek és táblázatok. A táblázat szavainak felismerése és a sor-oszlop szerkezet megőrzése kapcsolódó, de különálló feladat.
Olvasási sorrend
A szöveg tervezett sorrendje. Egy kéthasábos cikknek általában az egyik hasábot kell követnie, mielőtt a következőre térne át, ahelyett, hogy a kettő között váltakozna. A helyes szavak rossz sorrendben használhatatlan átiratot eredményezhetnek.
Szegmentálás
Az oldal felosztása kisebb egységekre, például szövegrégiókra, sorokra vagy karakterekre. A helytelen határok összekapcsolhatják a szomszédos szavakat, kettévághatnak egy karaktert, vagy összekeverhetik az oldal nem összefüggő részeit.
RTL — jobbról balra írt szöveg
Olyan írásrendszerekben lévő szöveg, mint az arab vagy a héber, amely általában jobbról balra halad. A számok és a beágyazott latin szöveg eltérő irányt követhetnek. A megjelenítési sorrend és a tárolt karaktersorrend nem feltétlenül azonos.
Képelőkészítés
Az előkészítés megváltoztatja, hogyan jelennek meg a meglévő jelek a felismerés számára. Nem tud olyan szöveget létrehozni, amelyet az eredeti kép már nem tartalmaz.
PPI és DPI
A hüvelykenkénti pixelszám a kép mintavételezését írja le fizikai méretben; a hüvelykenkénti pontszám a nyomtatott pontsűrűséget írja le. A szkennelési beállítások gyakran informálisan használják a DPI kifejezést. A tárolt érték megváltoztatása önmagában nem ad részletgazdagságot egy meglévő képhez.
Dőléskorrekció (Deskew)
Egy kis dőlés korrigálása, hogy a szövegsorok vízszintesebbek legyenek. Ez különbözik az fejjel lefelé álló oldal elforgatásától vagy a ferdén fényképezett dokumentum perspektívájának korrigálásától.
Binarizálás
Kép konvertálása fekete-fehér pixelekké egy küszöbérték vagy más döntési szabály használatával. Leegyszerűsítheti az átlátható oldalt, de elveszítheti a halvány jeleket vagy összeolvaszthatja a közeli vonalakat.
Előfeldolgozás
A felismerés előtt végzett képbeállítások, mint például az orientáció korrekciója, vágás vagy kontrasztváltoztatás. Egy hasznos beállítás javítja a felismerhető jeleket anélkül, hogy eltávolítaná az írásjeleket, ékezeteket vagy más jelentőségteljes részleteket.
Felismerés és felülvizsgálat
Az értékelés egy adott feladatot és adatkészletet ír le. Olvassa el a pontszám definícióját, mielőtt összehasonlítaná egy másik eredménnyel, vagy mielőtt saját dokumentumait ítélné meg vele.
Kézírás-felismerés
Kézzel írt karakterek vagy szavak felismerése. Az összekapcsolt betűk, személyes rövidítések és az íróra jellemző formák miatt ez más kihívást jelent, mint a tiszta nyomtatott szöveg.
Konfidencia-pontszám
Egy becslés, amelyet a felismerő rendszer egy előrejelzéshez csatolhat. Jelentése a rendszertől és a kalibrálástól függ. Nem automatikusan annak a valószínűsége, hogy egy teljes dokumentum helyes.
CER — karakterhiba-arány
A felismert szöveg összehasonlítása egy ellenőrzött referenciával, a karakterbeszúrások, törlések és helyettesítések alapján a referencia hosszához viszonyítva. Az alacsonyabb érték a jobb. Az alacsony CER még mindig elrejthet egy fontos hibát egy névben vagy számban.
WER — szóhiba-arány
Hasonló összehasonlítás szószinten. Egyetlen helytelen karakter miatt egy egész szó hibásnak számíthat. A WER és a CER ezért az átirat különböző aspektusait írja le, és nem tekinthetőek felcserélhetőnek.
Ground truth (alapigazság)
A felismerés értékeléséhez használt ellenőrzött referencia. Az átírási konvenciók számítanak: az, hogyan kezeli az írásjeleket, a helyesírást, a szóközöket és az olvashatatlan szöveget, befolyásolja az összehasonlítást. Egy hibás referencia félrevezető pontszámot eredményezhet.
Kérdések és válaszok
Az OCR ugyanaz, mint a fordítás?
Nem. Az OCR a látható szöveget olvassa be szerkeszthető formába. A fordítás a szöveget egy másik nyelven fejezi ki. A felismerés előzetes ellenőrzése segít elkerülni a félreolvasott forrás fordítását.
A Word-letöltés az eredeti elrendezés másolata?
Nem feltétlenül. Egy szerkeszthető dokumentum tartalmazhat felismert szöveget anélkül, hogy megőrizné a forrás táblázatait, térközeit vagy oldaltervét. Ellenőrizze a kimenetet az eredetivel, ha az elrendezés fontos.
Miért térhet el két pontossági pontszám?
Különböző dokumentumokat, referencia-konvenciókat vagy mérési módszereket használhatnak. A karakterhibák, szóhibák, kihagyott régiók és az olvasási sorrend problémái nem ugyanazok.