Filer og utdata
Start med hva filen inneholder. En PDF kan inneholde bilder, kodet tekst eller begge deler; filnavnet forteller deg ikke om ordene kan velges.
OCR — optisk tegngjenkjenning
Prosessen med å identifisere synlige tegn i et bilde og representere dem som kodet tekst. Det lar deg gjenbruke ord fra et skann eller bilde; det gjenkjente resultatet kan fortsatt trenge korrigering.
Skannet PDF
En PDF hvis sider inkluderer skannede eller fotograferte dokumentbilder. Noen skannede PDF-filer har også et OCR-tekstlag, mens andre bare inneholder bilder.
Digitalt født PDF
En PDF opprettet direkte fra digitalt innhold, for eksempel en dokumentredigerer, i stedet for ved å skanne papir. Den inneholder ofte faktisk tekst, selv om valg og uttrekk fortsatt kan påvirkes av hvordan den ble produsert.
Søkbar PDF
En PDF som inneholder tekst som en leser kan søke i. En skannet side kan bli søkbar når gjenkjent tekst legges til ved siden av bildet. Søkbarhet garanterer i seg selv ikke nøyaktighet eller tilgjengelighet.
Tekstlag
Den kodede teksten lagret i en PDF. På en skannet side kan den være usynlig og plassert over eller under bildet slik at valg og søk fungerer mens det opprinnelige utseendet forblir synlig.
Sidestruktur
En gjenkjenner må gjøre mer enn å identifisere bokstaver. Den må også avgjøre hvilke merker som hører sammen og hvordan leseren skal bevege seg gjennom dem.
Layoutanalyse
Identifisering av regioner som avsnitt, overskrifter, bilder og tabeller. Å gjenkjenne ordene i en tabell og bevare rad- og kolonnestrukturen er relaterte, men distinkte oppgaver.
Leserekkefølge
Den tiltenkte sekvensen av tekst. En artikkel med to kolonner bør normalt følge én kolonne før den fortsetter i den neste, i stedet for å veksle mellom begge. Riktige ord i feil rekkefølge kan produsere en ubrukelig transkripsjon.
Segmentering
Oppdeling av en side i mindre enheter som tekstregioner, linjer eller tegn. Feil grenser kan slå sammen nabord, dele et tegn eller blande urelaterte deler av en side.
RTL — tekst fra høyre til venstre
Tekst i skrifter som arabisk eller hebraisk som generelt flyter fra høyre til venstre. Tall og innebygd latinsk tekst kan følge andre retninger. Visningsrekkefølge og lagret tegnrekkefølge er ikke nødvendigvis den samme.
Bildeforberedelse
Forberedelse endrer hvordan de eksisterende merkene presenteres for gjenkjenning. Den kan ikke etablere tekst som kildebildet ikke lenger inneholder.
PPI og DPI
Piksler per tomme beskriver bildesampling ved en fysisk størrelse; punkter per tomme beskriver trykt punkttetthet. Skanneinnstillinger bruker ofte DPI uformelt. Å endre den lagrede verdien alene legger ikke til detaljer i et eksisterende bilde.
Deskew (oppretting)
Korrigering av en liten helling slik at tekstlinjer blir mer horisontale. Det er forskjellig fra å rotere en side som er opp-ned eller korrigere perspektivet til et fotografi tatt i en vinkel.
Binarisering
Konvertering av et bilde til svart-hvitt-piksler ved hjelp av en terskel eller annen beslutningsregel. Det kan forenkle en klar side, men kan også miste bleke merker eller slå sammen nærliggende strøk.
Forhåndsbehandling
Bildejusteringer gjort før gjenkjenning, som orienteringskorrigering, beskjæring eller kontrastendringer. En nyttig justering forbedrer de gjenkjennelige merkene uten å fjerne tegnsetting, aksenter eller andre meningsfulle detaljer.
Gjenkjenning og gjennomgang
En evaluering beskriver en bestemt oppgave og et datasett. Les definisjonen av en skåre før du sammenligner den med et annet resultat eller bruker den til å vurdere dine egne dokumenter.
Håndskriftgjenkjenning
Gjenkjenning av håndskrevne tegn eller ord. Sammenhengende bokstaver, personlige forkortelser og skriverspesifikke former gjør dette til en annen utfordring enn klar trykt tekst.
Konfidensskåre
Et estimat et gjenkjenningssystem kan knytte til en prediksjon. Betydningen avhenger av systemet og kalibreringen. Det er ikke automatisk sannsynligheten for at et helt dokument er korrekt.
CER — tegnfeilrate
En sammenligning av gjenkjent tekst med en kontrollert referanse, basert på tegninnsettinger, slettinger og substitusjoner i forhold til referanselengden. Lavere er bedre. En lav CER kan fortsatt skjule en viktig feil i et navn eller tall.
WER — ordfeilrate
En lignende sammenligning på ordnivå. Ett feil tegn kan gjøre at et helt ord teller som feil. WER og CER beskriver derfor forskjellige aspekter ved en transkripsjon og bør ikke behandles som utskiftbare.
Fasit (Ground truth)
Den kontrollerte referansen som brukes til å evaluere gjenkjenning. Transkripsjonskonvensjonene betyr noe: hvordan den håndterer tegnsetting, rettskriving, mellomrom og uleselig tekst påvirker sammenligningen. En mangelfull referanse kan gi en misvisende skåre.
Spørsmål og svar
Er OCR det samme som oversettelse?
Nei. OCR leser synlig tekst til en redigerbar form. Oversettelse uttrykker tekst på et annet språk. Å gjennomgå gjenkjenningen først bidrar til å unngå å oversette en feillest kilde.
Er en Word-nedlasting en kopi av den opprinnelige layouten?
Ikke nødvendigvis. Et redigerbart dokument kan inneholde gjenkjent tekst uten å bevare kildens tabeller, avstander eller sideoppsett. Sjekk utdataene mot originalen når layout betyr noe.
Hvorfor kan to nøyaktighetsskårer være uenige?
De kan bruke forskjellige dokumenter, referansekonvensjoner eller målinger. Tegnfeil, ordfeil, utelatte regioner og problemer med leserekkefølge er ikke det samme.