Hvordan kan du få renere OCR-resultater?

1. Start med den beste tilgjengelige kilden

Bruk den originale skanningen eller kamerafilen i stedet for et skjermbilde av et miniatyrbilde. Hvis noen sendte en liten forhåndsvisning, be om originaldokumentet. Når en PDF allerede har nøyaktig tekst som kan velges, gjenbruk den teksten i stedet for å konvertere den til et bilde og gjenkjenne den på nytt.

Behold en uendret kopi før du justerer kontrast, rotasjon eller beskjæring. Originalen er din referanse når en senere versjon mister svak tegnsetting eller håndskrevne merker. Gi arbeidskopier beskrivende navn slik at du kan sammenligne dem uten å gjette hvilken fil som ble redigert.

2. Gjør bokstavene lesbare før opplasting

For et fotografi, hold siden flat, hold kameraet omtrent parallelt med den og bruk jevnt lys. Unngå gjenskinn på blankt papir og skygger fra hånden eller telefonen din. Sjekk noen få små ord før du legger bort dokumentet; det er lettere å ta et nytt bilde mens kilden fortsatt er tilgjengelig.

For en skanning er 300 piksler per tomme et nyttig utgangspunkt for vanlig trykt tekst. IMPACT anbefaler høyere oppløsning for svært liten skrift. U.S. National Archives spesifiserer også 300 ppi for moderne tekstlige permanente arkiver i sine egne digitaliseringskrav. Dette er referanser for opptak, ikke en garanti for at hver side vil bli gjenkjent korrekt.

Å endre en DPI-merkelapp på en eksisterende fil med lav oppløsning skaper ikke nye detaljer. Inspiser bokstavkanter og tegnsetting, og skann på nytt med passende oppløsning når originalen er tilgjengelig.

3. Rett opp visningen og velg et sammenhengende område

Gjør teksten rett og fjern irrelevante kanter når de konkurrerer med siden. La det være litt plass rundt den tiltenkte teksten: en tett beskjæring kan kutte av aksenter, nedstreker eller det siste sifferet i et tall.

For kolonner, gjenkjenn én kolonne eller en logisk sammenhengende passasje om gangen når rekkefølgen på hele siden er upålitelig. Behold tabelloverskrifter sammen med verdiene deres. Å skille ut hver lille celle kan fjerne konteksten du trenger for å rekonstruere resultatet.

4. Sammenlign beskjedne bildejusteringer

En liten kontrastjustering kan hjelpe for svak tekst, mens overdreven filtrering kan slette den. Å gjøre siden mørkere kan også forsterke flekker, papirstruktur eller skrift fra baksiden. Sammenlign det justerte bildet med originalen på samme zoomnivå.

Prøv én justering på en vanskelig passasje før du endrer alt. Hvis en forbedring gjør at bildet ser renere ut, men fjerner et komma eller slår sammen to bokstaver, har det ikke forbedret bevisgrunnlaget for OCR.

5. Angi språket og sammenlign gjenkjenningsmoduser

Velg språket som faktisk brukes i den valgte teksten. i2OCR tilbyr 128 gjenkjenningsvalg, inkludert skrifttyper og historiske varianter. For en side med blandet språk kan det å skille ut distinkte områder gjøre resultatet lettere å evaluere.

Classic er et nyttig utgangspunkt for tydelig trykt materiale. Future kan hjelpe med mer varierte dokumenter og håndskrift. Sammenlign den samme korte passasjen når du er usikker. Vurder hele transkripsjonen, inkludert utelatte ord og linjerekkefølge, i stedet for noen få korrekt gjenkjente setninger.

6. Gå gjennom teksten mot bildet

Sjekk et utvalg fra toppen, midten og bunnen av det valgte området. Inspiser deretter detaljene som bærer mest mening. Et feilplassert desimaltegn eller et manglende ord som ikke kan bety mer enn flere vanlige stavefeil.

• Navn, identifikatorer, datoer, desimaltegn og enheter samsvarer med kilden.
• Hver tiltenkt linje er til stede; overskrifter og fotnoter er på fornuftige steder.
• Kolonner og tabellrader har ikke blitt kombinert feilaktig.
• Uklare passasjer er markert for gjennomgang i stedet for å bli gjettet.
• Et kopiert sitat beholder ordlyden og tegnsettingen du har til hensikt å sitere.

7. Lagre det gjennomgåtte resultatet og gjenbruk det som fungerte

Lagre den korrigerte transkripsjonen før du oversetter eller skriver den om. Behold kildefilnavnet eller sidehenvisningen sammen med resultatet. Hvis du skal behandle lignende dokumenter senere, noter språket, det valgte området og justeringene som hjalp.

Nettverktøyene godtar ett bilde på opptil 25 MB eller én PDF på opptil 200 MB og 750 kildesider, underlagt grensen som vises i verktøyet. PDF OCR behandler én valgt side eller ett område per forespørsel. Bildedimensjoner og behandlingsgrenser gjelder også, så en mindre, godt fanget kilde kan være mer praktisk enn en veldig stor fil.