1. დაიწყეთ საუკეთესო ხელმისაწვდომი წყაროთი
გამოიყენეთ ორიგინალი სკანირება ან კამერის ფაილი და არა ესკიზის სკრინშოტი. თუ ვინმემ გამოგიგზავნათ მცირე გადახედვა, მოითხოვეთ ორიგინალი დოკუმენტი. როდესაც PDF-ს უკვე აქვს ზუსტი არჩევადი ტექსტი, გამოიყენეთ ეს ტექსტი ხელახლა, ნაცვლად იმისა, რომ გადააქციოთ იგი სურათად და ხელახლა ამოიცნოთ.
შეინახეთ უცვლელი ასლი კონტრასტის, როტაციის ან ამოჭრის რეგულირებამდე. ორიგინალი არის თქვენი მითითება, როდესაც მოგვიანებით ვერსია კარგავს ფერმკრთალ პუნქტუაციას ან ხელნაწერ ნიშნებს. მიეცით სამუშაო ასლებს აღწერითი სახელები, რათა შეძლოთ მათი შედარება იმის გამოცნობის გარეშე, თუ რომელი ფაილი იყო რედაქტირებული.
2. გახადეთ ასოები წაკითხვადი ატვირთვამდე
ფოტოსთვის, შეინახეთ გვერდი ბრტყლად, დაიჭირეთ კამერა დაახლოებით პარალელურად და გამოიყენეთ თანაბარი განათება. მოერიდეთ ბზინვარებას პრიალა ქაღალდზე და თქვენი ხელის ან ტელეფონის ჩრდილებს. შეამოწმეთ რამდენიმე მცირე სიტყვა დოკუმენტის გადადებამდე; ხელახალი გადაღება უფრო ადვილია, სანამ წყარო ჯერ კიდევ ხელმისაწვდომია.
სკანირებისთვის, 300 პიქსელი ინჩზე არის სასარგებლო საწყისი წერტილი ჩვეულებრივი ნაბეჭდი ტექსტისთვის. IMPACT რეკომენდაციას უწევს უფრო მაღალ გარჩევადობას ძალიან მცირე ბეჭდვისთვის. აშშ-ს ეროვნული არქივი ასევე განსაზღვრავს 300 ppi-ს თანამედროვე ტექსტური მუდმივი ჩანაწერებისთვის თავის საკუთარ დიგიტალიზაციის მოთხოვნებში. ეს არის გადაღების მითითებები და არა გარანტია იმისა, რომ ყველა გვერდი სწორად ამოიცნობა.
არსებულ დაბალი გარჩევადობის ფაილზე DPI ეტიკეტის შეცვლა არ ქმნის ახალ დეტალებს. შეამოწმეთ სიმბოლოების კიდეები და პუნქტუაცია და ხელახლა დაასკანირეთ შესაბამისი გარჩევადობით, როდესაც ორიგინალი ხელმისაწვდომია.
3. გაასწორეთ ხედი და აირჩიეთ თანმიმდევრული რეგიონი
გახადეთ ტექსტი ვერტიკალური და მოაშორეთ შეუსაბამო საზღვრები, როდესაც ისინი ეჯიბრებიან გვერდს. დატოვეთ ცოტა ადგილი სასურველი ტექსტის გარშემო: მჭიდრო ამოჭრამ შეიძლება მოჭრას აქცენტები, ქვედა ელემენტები ან რიცხვის ბოლო ციფრი.
სვეტებისთვის, ამოიცანით ერთი სვეტი ან ლოგიკურად დაკავშირებული მონაკვეთი ერთდროულად, როდესაც მთლიანი გვერდის თანმიმდევრობა არასანდოა. შეინახეთ ცხრილის სათაურები მათ მნიშვნელობებთან ერთად. თითოეული პატარა უჯრედის გამოყოფამ შეიძლება წაშალოს კონტექსტი, რომელიც გჭირდებათ შედეგის აღსადგენად.
4. შეადარეთ გამოსახულების მოკრძალებული კორექტირება
კონტრასტის მცირე კორექტირებამ შეიძლება დაეხმაროს ფერმკრთალ ტექსტს, ხოლო გადაჭარბებულმა ფილტრაციამ შეიძლება წაშალოს იგი. გვერდის გამუქებამ ასევე შეიძლება გააძლიეროს ლაქები, ქაღალდის ტექსტურა ან უკანა მხარეს არსებული წერილები. შეადარეთ კორექტირებული გამოსახულება ორიგინალს იმავე მასშტაბის დონეზე.
სცადეთ ერთი კორექტირება რთულ მონაკვეთზე, სანამ ყველაფერს შეცვლით. თუ გაუმჯობესება გამოსახულებას უფრო სუფთას ხდის, მაგრამ შლის მძიმეს ან აერთიანებს ორ ასოს, მან არ გააუმჯობესა OCR-ის მტკიცებულება.
5. დააყენეთ ენა და შეადარეთ ამოცნობის რეჟიმები
აირჩიეთ არჩეულ ტექსტში რეალურად გამოყენებული ენა. i2OCR გთავაზობთ 128 ამოცნობის არჩევანს, მათ შორის სკრიპტს და ისტორიულ ვარიანტებს. შერეული ენის გვერდისთვის, ცალკეული რეგიონების გამოყოფამ შეიძლება შედეგი უფრო ადვილად შესაფასებელი გახადოს.
„კლასიკური“ არის სასარგებლო საწყისი წერტილი მკაფიო ნაბეჭდი მასალისთვის. „მომავალი“ შეიძლება დაეხმაროს უფრო მრავალფეროვან დოკუმენტებსა და ხელნაწერებს. შეადარეთ ერთი და იგივე მოკლე მონაკვეთი, როდესაც არ ხართ დარწმუნებული. შეაფასეთ სრული ტექსტი, მათ შორის გამოტოვებული სიტყვები და სტრიქონების თანმიმდევრობა, ნაცვლად რამდენიმე სწორად ამოცნობილი წინადადებისა.
6. განიხილეთ ტექსტი გამოსახულების მიხედვით
შეამოწმეთ ნიმუში არჩეული არეალის ზედა, შუა და ქვედა ნაწილიდან. შემდეგ შეამოწმეთ დეტალები, რომლებსაც ყველაზე მეტი მნიშვნელობა აქვთ. არასწორად განთავსებულ ათობით წერტილს ან გამოტოვებულ სიტყვას, როგორიცაა „არა“, შეიძლება უფრო მეტი მნიშვნელობა ჰქონდეს, ვიდრე რამდენიმე ჩვეულებრივ მართლწერის შეცდომას.
- სახელები, იდენტიფიკატორები, თარიღები, ათობითი წერტილები და ერთეულები ემთხვევა წყაროს.
- ყველა განზრახული სტრიქონი არსებობს; სათაურები და სქოლიოები გონივრულ ადგილებშია.
- სვეტები და ცხრილის სტრიქონები არ არის არასწორად გაერთიანებული.
- გაურკვეველი მონაკვეთები მონიშნულია განხილვისთვის, ნაცვლად ჩუმად გამოცნობისა.
- კოპირებული ციტატა ინარჩუნებს ფორმულირებას და პუნქტუაციას, რომლის ციტირებასაც აპირებთ.
7. შეინახეთ განხილული შედეგი და გამოიყენეთ ის, რაც მუშაობდა
შეინახეთ შესწორებული ტექსტი მის თარგმნამდე ან გადაწერამდე. შეინახეთ წყაროს ფაილის სახელი ან გვერდის მითითება შედეგთან ერთად. თუ მოგვიანებით დაამუშავებთ მსგავს დოკუმენტებს, გაითვალისწინეთ ენა, არჩეული რეგიონი და კორექტირებები, რომლებიც დაგეხმარათ.
ონლაინ ინსტრუმენტები იღებენ ერთ სურათს 25 MB-მდე ან ერთ PDF-ს 200 MB-მდე და 750 წყაროს გვერდს, ინსტრუმენტში ნაჩვენები ლიმიტის გათვალისწინებით. PDF OCR ამუშავებს ერთ არჩეულ გვერდს ან არეს თითო მოთხოვნაზე. გამოსახულების ზომები და დამუშავების ლიმიტები ასევე მოქმედებს, ამიტომ უფრო მცირე, კარგად გადაღებული წყარო შეიძლება უფრო პრაქტიკული იყოს, ვიდრე ძალიან დიდი ფაილი.
კითხვები და პასუხები
რა გარჩევადობით უნდა დავასკანირო?
დაიწყეთ დაახლოებით 300 ppi-ით ჩვეულებრივი ნაბეჭდი ტექსტისთვის; უფრო მცირე ზომის შრიფტი შესაძლოა უკეთესად დამუშავდეს უფრო მაღალი გარჩევადობის შემთხვევაში. დააკვირდით რეალურ ასოებს. მხოლოდ გარჩევადობა ვერ გამოასწორებს ბუნდოვანებას, არეკვლას ან დაზიანებულ ორიგინალებს.
უნდა გადავიყვანო თუ არა ყველა სურათი შავ-თეთრ რეჟიმში?
არა. ზღვრული მნიშვნელობის დაწესებამ (thresholding) შესაძლოა წაშალოს მკრთალი ტექსტი ან ერთმანეთს შეერწყას ასოების შტრიხები. შეინახეთ ორიგინალი და შეადარეთ მცირე მონაკვეთი, სანამ სურათს შავ-თეთრ ვერსიაზე გადაიყვანთ.
მოგვცემს თუ არა უფრო დიდი ფაილი ყოველთვის უკეთეს OCR-ს?
არა. ფაილის ზომა ასახავს ზომებს, შეკუმშვას და ფორმატს და არა მხოლოდ წაკითხვადობას. მკაფიო და კარგად დაფიქსირებული სურათი შეიძლება უფრო სასარგებლო იყოს, ვიდრე დიდი, მაგრამ ბუნდოვანი ფოტოსურათი.