File e output
Iniziate con ciò che contiene il file. Un PDF può contenere immagini, testo codificato o entrambi; il nome del file non indica se le sue parole possono essere selezionate.
OCR — riconoscimento ottico dei caratteri
Il processo di identificazione dei caratteri visibili in un'immagine e la loro rappresentazione come testo codificato. Consente di riutilizzare le parole da una scansione o da una foto; il risultato riconosciuto potrebbe comunque necessitare di correzioni.
PDF scansionato
Un PDF le cui pagine includono immagini di documenti scansionate o fotografate. Alcuni PDF scansionati hanno anche un livello di testo OCR, mentre altri contengono solo immagini.
PDF nato digitale
Un PDF creato direttamente da contenuti digitali, come un editor di documenti, anziché tramite la scansione di carta. Spesso contiene testo effettivo, sebbene la selezione e l'estrazione possano comunque essere influenzate dal modo in cui è stato prodotto.
PDF ricercabile
Un PDF contenente testo che un lettore può cercare. Una pagina scansionata può diventare ricercabile quando il testo riconosciuto viene aggiunto accanto alla sua immagine. La ricercabilità non garantisce di per sé l'accuratezza o l'accessibilità.
Livello di testo
Il testo codificato memorizzato in un PDF. Su una pagina scansionata può essere invisibile e posizionato sopra o sotto l'immagine, in modo che la selezione e la ricerca funzionino mentre l'aspetto originale rimane visibile.
Struttura della pagina
Un sistema di riconoscimento deve fare di più che identificare le lettere. Deve anche decidere quali segni appartengono insieme e come il lettore dovrebbe muoversi attraverso di essi.
Analisi del layout
Identificazione di regioni come paragrafi, intestazioni, immagini e tabelle. Riconoscere le parole di una tabella e preservarne la struttura di righe e colonne sono attività correlate ma distinte.
Ordine di lettura
La sequenza prevista del testo. Un articolo a due colonne dovrebbe normalmente seguire una colonna prima di continuare nella successiva, anziché alternarsi tra le due. Parole corrette nell'ordine sbagliato possono produrre una trascrizione inutilizzabile.
Segmentazione
Divisione di una pagina in unità più piccole come regioni di testo, righe o caratteri. Confini errati possono unire parole vicine, dividere un carattere o mescolare parti non correlate di una pagina.
RTL — testo da destra a sinistra
Testo in script come l'arabo o l'ebraico che generalmente scorre da destra a sinistra. I numeri e il testo latino incorporato possono seguire direzioni diverse. L'ordine di visualizzazione e l'ordine dei caratteri memorizzati non sono necessariamente gli stessi.
Preparazione dell'immagine
La preparazione modifica il modo in cui i segni esistenti vengono presentati al riconoscimento. Non può stabilire un testo che l'immagine sorgente non contiene più.
PPI e DPI
I pixel per pollice descrivono il campionamento dell'immagine a una dimensione fisica; i punti per pollice descrivono la densità dei punti stampati. Le impostazioni di scansione usano spesso DPI in modo informale. La sola modifica del valore memorizzato non aggiunge dettagli a un'immagine esistente.
Raddrizzamento (Deskew)
Correzione di una leggera inclinazione in modo che le righe di testo diventino più orizzontali. È diverso dal ruotare una pagina capovolta o dal correggere la prospettiva di una fotografia scattata ad angolo.
Binarizzazione
Conversione di un'immagine in pixel bianchi e neri utilizzando una soglia o un'altra regola decisionale. Può semplificare una pagina chiara, ma può anche far perdere segni pallidi o unire tratti vicini.
Pre-elaborazione
Regolazioni dell'immagine effettuate prima del riconoscimento, come la correzione dell'orientamento, il ritaglio o le modifiche al contrasto. Una regolazione utile migliora i segni riconoscibili senza rimuovere punteggiatura, accenti o altri dettagli significativi.
Riconoscimento e revisione
Una valutazione descrive un'attività e un set di dati specifici. Leggete la definizione di un punteggio prima di confrontarlo con un altro risultato o di usarlo per giudicare i vostri documenti.
Riconoscimento della grafia
Riconoscimento di caratteri o parole scritti a mano. Lettere collegate, abbreviazioni personali e forme specifiche dello scrivente lo rendono una sfida diversa rispetto al chiaro testo stampato.
Punteggio di confidenza
Una stima che un sistema di riconoscimento può allegare a una previsione. Il suo significato dipende dal sistema e dalla calibrazione. Non è automaticamente la probabilità che un intero documento sia corretto.
CER — tasso di errore dei caratteri
Un confronto del testo riconosciuto con un riferimento controllato, basato su inserimenti, eliminazioni e sostituzioni di caratteri rispetto alla lunghezza del riferimento. Più basso è, meglio è. Un CER basso può comunque nascondere un errore importante in un nome o in un numero.
WER — tasso di errore delle parole
Un confronto simile a livello di parola. Un carattere errato può far contare un'intera parola come sbagliata. WER e CER descrivono quindi aspetti diversi di una trascrizione e non dovrebbero essere considerati intercambiabili.
Ground truth (Verità di base)
Il riferimento controllato utilizzato per valutare il riconoscimento. Le sue convenzioni di trascrizione contano: il modo in cui gestisce punteggiatura, ortografia, spazi e testo illeggibile influisce sul confronto. Un riferimento imperfetto può produrre un punteggio fuorviante.
Domande e risposte
OCR è uguale alla traduzione?
No. OCR legge il testo visibile in una forma modificabile. La traduzione esprime il testo in un'altra lingua. Revisionare prima il riconoscimento aiuta a evitare di tradurre una fonte letta male.
Un download in Word è una copia del layout originale?
Non necessariamente. Un documento modificabile può contenere testo riconosciuto senza preservare tabelle, spaziatura o design della pagina della fonte. Controllate l'output rispetto all'originale quando il layout è importante.
Perché due punteggi di accuratezza possono essere discordanti?
Possono utilizzare documenti, convenzioni di riferimento o misurazioni diverse. Errori di carattere, errori di parola, regioni omesse e problemi di ordine di lettura non sono la stessa cosa.