1. Mulakan dengan sumber terbaik yang tersedia
Gunakan imbasan asal atau fail kamera dan bukannya tangkapan skrin lakaran kecil. Jika seseorang menghantar pratonton kecil, minta dokumen asal. Apabila PDF sudah mempunyai teks boleh pilih yang tepat, gunakan semula teks itu daripada menukarnya kepada imej dan mengecamnya semula.
Simpan salinan yang tidak diubah sebelum melaraskan kontras, putaran atau pemotongan. Asal adalah rujukan anda apabila versi kemudian kehilangan tanda baca samar atau tanda tulisan tangan. Berikan nama deskriptif kepada salinan kerja supaya anda boleh membandingkannya tanpa meneka fail mana yang telah diedit.
2. Jadikan huruf boleh dibaca sebelum memuat naik
Untuk gambar, pastikan halaman rata, pegang kamera secara selari dengannya dan gunakan cahaya yang sekata. Elakkan silau pada kertas berkilat dan bayang-bayang daripada tangan atau telefon anda. Semak beberapa perkataan kecil sebelum menyimpan dokumen; pengambilan semula lebih mudah semasa sumber masih tersedia.
Untuk imbasan, 300 piksel setiap inci adalah titik permulaan yang berguna untuk teks bercetak biasa. IMPACT mengesyorkan resolusi yang lebih tinggi untuk cetakan yang sangat kecil. Arkib Negara A.S. juga menetapkan 300 ppi untuk rekod kekal teks moden dalam keperluan pendigitalannya sendiri. Ini adalah rujukan tangkapan, bukan jaminan bahawa setiap halaman akan mengecam dengan betul.
Menukar label DPI pada fail resolusi rendah sedia ada tidak mencipta butiran baharu. Periksa tepi aksara dan tanda baca, dan imbas semula pada resolusi yang sesuai apabila asal tersedia.
3. Luruskan pandangan dan pilih kawasan yang koheren
Jadikan teks tegak dan alih keluar sempadan yang tidak relevan apabila ia bersaing dengan halaman. Tinggalkan sedikit ruang di sekitar teks yang dimaksudkan: potongan yang ketat boleh memotong aksen, descender atau digit terakhir nombor.
Untuk lajur, camkan satu lajur atau petikan yang disambungkan secara logik pada satu masa apabila urutan halaman penuh tidak boleh dipercayai. Simpan tajuk jadual dengan nilainya. Mengasingkan setiap sel kecil mungkin membuang konteks yang anda perlukan untuk membina semula keputusan.
4. Bandingkan pelarasan imej yang sederhana
Pelarasan kontras kecil mungkin membantu teks yang samar, manakala penapisan berlebihan mungkin memadamkannya. Menggelapkan halaman juga boleh menguatkan kotoran, tekstur kertas atau tulisan dari bahagian belakang. Bandingkan imej yang dilaraskan dengan asal pada tahap zum yang sama.
Cuba satu pelarasan pada petikan yang sukar sebelum menukar segala-galanya. Jika peningkatan menjadikan imej kelihatan lebih bersih tetapi membuang koma atau menyambungkan dua huruf, ia tidak meningkatkan bukti untuk OCR.
5. Tetapkan bahasa dan bandingkan mod pengecaman
Pilih bahasa yang sebenarnya digunakan dalam teks yang dipilih. i2OCR menyediakan pilihan pengecaman 128, termasuk skrip dan varian sejarah. Untuk halaman berbilang bahasa, mengasingkan kawasan yang berbeza boleh menjadikan keputusan lebih mudah untuk dinilai.
Klasik adalah titik permulaan yang berguna untuk bahan bercetak yang jelas. Masa Depan boleh membantu dengan dokumen yang lebih pelbagai dan tulisan tangan. Bandingkan petikan pendek yang sama apabila tidak pasti. Nilai transkrip lengkap, termasuk perkataan yang ditinggalkan dan urutan baris, bukannya beberapa ayat yang dikenali dengan betul.
6. Semak teks terhadap imej
Semak sampel dari bahagian atas, tengah dan bawah kawasan yang dipilih. Kemudian periksa butiran yang membawa maksud paling banyak. Titik perpuluhan yang tersalah letak atau perkataan yang hilang seperti tidak boleh lebih penting daripada beberapa ralat ejaan biasa.
- Nama, pengecam, tarikh, titik perpuluhan dan unit sepadan dengan sumber.
- Setiap baris yang dimaksudkan ada; tajuk dan nota kaki berada di tempat yang munasabah.
- Lajur dan baris jadual tidak digabungkan secara tidak betul.
- Petikan yang tidak jelas ditandakan untuk semakan dan bukannya diteka secara senyap.
- Petikan yang disalin mengekalkan perkataan dan tanda baca yang anda ingin petik.
7. Simpan hasil yang disemak dan gunakan semula apa yang berkesan
Simpan transkrip yang dibetulkan sebelum menterjemah atau menulis semulanya. Simpan nama fail sumber atau rujukan halaman dengan keputusan. Jika anda akan memproses dokumen serupa kemudian, catatkan bahasa, kawasan yang dipilih dan pelarasan yang membantu.
Alat dalam talian menerima satu imej sehingga 25 MB atau satu PDF sehingga 200 MB dan 750 halaman sumber, tertakluk kepada had yang ditunjukkan dalam alat. PDF OCR memproses satu halaman atau kawasan yang dipilih bagi setiap permintaan. Dimensi imej dan had pemprosesan juga terpakai, jadi sumber yang lebih kecil dan ditangkap dengan baik boleh menjadi lebih praktikal daripada fail yang sangat besar.
Soalan dan jawapan
Apakah resolusi yang perlu saya gunakan untuk mengimbas?
Mulakan sekitar 300 ppi untuk teks bercetak biasa; cetakan yang lebih kecil mungkin mendapat manfaat daripada tangkapan resolusi yang lebih tinggi. Periksa huruf yang sebenar. Resolusi sahaja tidak dapat membaiki kekaburan, silau atau dokumen asal yang rosak.
Patutkah saya menukar setiap imej kepada hitam dan putih?
Tidak. Pengeambangan (thresholding) boleh membuang teks yang pudar atau mencantumkan strok huruf. Simpan yang asal dan bandingkan kawasan kecil sebelum membuat keputusan untuk versi hitam dan putih.
Adakah fail yang lebih besar sentiasa memberikan OCR yang lebih baik?
Tidak. Saiz fail mencerminkan dimensi, pemampatan dan format, bukan sekadar kebolehbacaan. Imej yang jelas dan dibingkai dengan baik boleh menjadi lebih berguna daripada gambar yang besar tetapi kabur.