Bestanden en uitvoer
Begin met wat het bestand bevat. Een PDF kan afbeeldingen, gecodeerde tekst of beide bevatten; de bestandsnaam vertelt u niet of de woorden geselecteerd kunnen worden.
OCR — optische tekenherkenning
Het proces van het identificeren van zichtbare tekens in een afbeelding en deze weergeven als gecodeerde tekst. Hiermee kunt u woorden uit een scan of foto hergebruiken; het herkende resultaat moet mogelijk nog worden gecorrigeerd.
Gescand PDF
Een PDF waarvan de pagina's gescande of gefotografeerde documentafbeeldingen bevatten. Sommige gescande PDF's hebben ook een OCR tekstlaag, terwijl andere alleen afbeeldingen bevatten.
Digitaal gecreëerd PDF
Een PDF die rechtstreeks is gemaakt vanuit digitale inhoud, zoals een teksteditor, in plaats van door papier te scannen. Het bevat vaak daadwerkelijke tekst, hoewel selectie en extractie nog steeds beïnvloed kunnen worden door de manier waarop het is geproduceerd.
Doorzoekbare PDF
Een PDF met tekst die een lezer kan doorzoeken. Een gescande pagina kan doorzoekbaar worden wanneer herkende tekst naast de afbeelding wordt geplaatst. Doorzoekbaarheid garandeert op zichzelf geen nauwkeurigheid of toegankelijkheid.
Tekstlaag
De gecodeerde tekst die is opgeslagen in een PDF. Op een gescande pagina kan deze onzichtbaar zijn en over of onder de afbeelding zijn geplaatst, zodat selectie en zoeken werken terwijl het oorspronkelijke uiterlijk zichtbaar blijft.
Pagina-indeling
Een herkenningssysteem moet meer doen dan alleen letters identificeren. Het moet ook bepalen welke tekens bij elkaar horen en hoe de lezer erdoorheen moet navigeren.
Layoutanalyse
Het identificeren van regio's zoals alinea's, koppen, afbeeldingen en tabellen. Het herkennen van de woorden in een tabel en het behouden van de rij- en kolomstructuur zijn gerelateerde maar afzonderlijke taken.
Leesvolgorde
De beoogde volgorde van de tekst. Een artikel met twee kolommen moet normaal gesproken de ene kolom volgen voordat het in de volgende verdergaat, in plaats van afwisselend over beide. Correcte woorden in de verkeerde volgorde kunnen een onbruikbaar transcript opleveren.
Segmentatie
Het verdelen van een pagina in kleinere eenheden zoals tekstregio's, regels of tekens. Onjuiste grenzen kunnen naburige woorden samenvoegen, een teken splitsen of niet-gerelateerde delen van een pagina mengen.
RTL — van-rechts-naar-links tekst
Tekst in schriften zoals Arabisch of Hebreeuws die over het algemeen van rechts naar links loopt. Cijfers en ingesloten Latijnse tekst kunnen andere richtingen volgen. De weergavevolgorde en de opgeslagen tekenvolgorde zijn niet noodzakelijkerwijs hetzelfde.
Voorbereiding van afbeeldingen
Voorbereiding verandert de manier waarop de bestaande tekens aan de herkenning worden gepresenteerd. Het kan geen tekst herstellen die de bronafbeelding niet langer bevat.
PPI en DPI
Pixels per inch beschrijft de beeldsampling op een fysiek formaat; dots per inch beschrijft de dichtheid van gedrukte punten. Scaninstellingen gebruiken vaak informeel DPI. Het wijzigen van alleen de opgeslagen waarde voegt geen detail toe aan een bestaande afbeelding.
Rechtzetten (Deskew)
Het corrigeren van een lichte kanteling zodat tekstregels horizontaler worden. Dit is anders dan het roteren van een ondersteboven staande pagina of het corrigeren van het perspectief van een foto die onder een hoek is genomen.
Binarisatie
Het omzetten van een afbeelding in zwart-witpixels met behulp van een drempelwaarde of andere beslissingsregel. Dit kan een duidelijke pagina vereenvoudigen, maar kan ook vage tekens verliezen of nabijgelegen lijnen samenvoegen.
Voorbewerking
Aanpassingen aan de afbeelding vóór de herkenning, zoals oriëntatiecorrectie, bijsnijden of contrastwijzigingen. Een nuttige aanpassing verbetert de herkenbare tekens zonder leestekens, accenten of andere betekenisvolle details te verwijderen.
Herkenning en beoordeling
Een evaluatie beschrijft een specifieke taak en dataset. Lees de definitie van een score voordat u deze vergelijkt met een ander resultaat of deze gebruikt om uw eigen documenten te beoordelen.
Handschriftherkenning
Herkenning van handgeschreven tekens of woorden. Verbonden letters, persoonlijke afkortingen en schrijverspecifieke vormen maken dit een andere uitdaging dan duidelijke gedrukte tekst.
Betrouwbaarheidsscore
Een schatting die een herkenningssysteem aan een voorspelling kan toevoegen. De betekenis hangt af van het systeem en de kalibratie. Het is niet automatisch de waarschijnlijkheid dat een volledig document correct is.
CER — tekenfoutpercentage (character error rate)
Een vergelijking van herkende tekst met een gecontroleerde referentie, gebaseerd op invoegingen, verwijderingen en vervangingen van tekens ten opzichte van de referentielengte. Lager is beter. Een laag CER-cijfer kan nog steeds een belangrijke fout in een naam of nummer verbergen.
WER — woordfoutpercentage (word error rate)
Een soortgelijke vergelijking op woordniveau. Eén onjuist teken kan ervoor zorgen dat een heel woord als fout wordt geteld. WER en CER beschrijven daarom verschillende aspecten van een transcript en moeten niet als uitwisselbaar worden behandeld.
Ground truth
De gecontroleerde referentie die wordt gebruikt om de herkenning te evalueren. De transcriptieconventies zijn van belang: hoe er wordt omgegaan met leestekens, spelling, spaties en onleesbare tekst beïnvloedt de vergelijking. Een gebrekkige referentie kan een misleidende score opleveren.
Vragen en antwoorden
Is OCR hetzelfde als vertaling?
Nee. OCR leest zichtbare tekst in een bewerkbare vorm. Vertaling drukt tekst uit in een andere taal. Eerst de herkenning controleren helpt voorkomen dat een verkeerd gelezen bron wordt vertaald.
Is een Word-download een kopie van de oorspronkelijke lay-out?
Niet noodzakelijkerwijs. Een bewerkbaar document kan herkende tekst bevatten zonder de tabellen, spatiëring of het paginadesign van de bron te behouden. Controleer de uitvoer tegen het origineel wanneer de lay-out belangrijk is.
Waarom kunnen twee nauwkeurigheidsscores verschillen?
Ze kunnen verschillende documenten, referentieconventies of metingen gebruiken. Tekenfouten, woordfouten, weggelaten regio's en problemen met de leesvolgorde zijn niet hetzelfde.