Pliki i dane wyjściowe
Zacznij od tego, co zawiera plik. PDF może zawierać obrazy, zakodowany tekst lub oba te elementy; nazwa pliku nie informuje, czy zawarte w nim słowa można zaznaczyć.
OCR — optyczne rozpoznawanie znaków
Proces identyfikacji widocznych znaków na obrazie i przedstawiania ich jako zakodowanego tekstu. Pozwala na ponowne wykorzystanie słów ze skanu lub zdjęcia; rozpoznany wynik może nadal wymagać korekty.
Zeskanowany PDF
PDF, którego strony zawierają zeskanowane lub sfotografowane obrazy dokumentów. Niektóre zeskanowane pliki PDF posiadają również warstwę tekstową OCR, podczas gdy inne zawierają tylko obrazy.
Cyfrowy PDF
PDF utworzony bezpośrednio z treści cyfrowej, np. w edytorze dokumentów, a nie poprzez skanowanie papieru. Często zawiera właściwy tekst, choć zaznaczanie i ekstrakcja mogą nadal zależeć od sposobu jego utworzenia.
Przeszukiwalny PDF
PDF zawierający tekst, który użytkownik może przeszukiwać. Zeskanowana strona może stać się przeszukiwalna, gdy rozpoznany tekst zostanie dodany obok obrazu. Możliwość wyszukiwania sama w sobie nie gwarantuje dokładności ani dostępności.
Warstwa tekstowa
Zakodowany tekst przechowywany w PDF. Na zeskanowanej stronie może być niewidoczny i umieszczony nad lub pod obrazem, dzięki czemu zaznaczanie i wyszukiwanie działają, podczas gdy oryginalny wygląd pozostaje widoczny.
Struktura strony
System rozpoznawania musi zrobić więcej niż tylko zidentyfikować litery. Musi również zdecydować, które znaki należą do siebie i w jaki sposób czytelnik powinien przez nie przechodzić.
Analiza układu
Identyfikacja regionów, takich jak akapity, nagłówki, obrazy i tabele. Rozpoznawanie słów w tabeli i zachowanie jej struktury wierszy i kolumn to powiązane, ale odrębne zadania.
Kolejność czytania
Zamierzona sekwencja tekstu. Artykuł dwukolumnowy powinien zazwyczaj być czytany w jednej kolumnie przed przejściem do następnej, zamiast naprzemiennie przez obie. Poprawne słowa w złej kolejności mogą stworzyć bezużyteczny zapis.
Segmentacja
Podział strony na mniejsze jednostki, takie jak regiony tekstu, linie lub znaki. Nieprawidłowe granice mogą łączyć sąsiednie słowa, dzielić znak lub mieszać niepowiązane części strony.
RTL — tekst od prawej do lewej
Tekst w skryptach takich jak arabski lub hebrajski, który zazwyczaj płynie od prawej do lewej. Cyfry i osadzony tekst łaciński mogą mieć inne kierunki. Kolejność wyświetlania i kolejność przechowywanych znaków niekoniecznie są takie same.
Przygotowanie obrazu
Przygotowanie zmienia sposób, w jaki istniejące znaki są prezentowane do rozpoznania. Nie może ono odtworzyć tekstu, którego obraz źródłowy już nie zawiera.
PPI i DPI
Piksele na cal opisują próbkowanie obrazu w rozmiarze fizycznym; kropki na cal opisują gęstość drukowanych punktów. Ustawienia skanowania często używają DPI nieformalnie. Sama zmiana zapisanej wartości nie dodaje szczegółów do istniejącego obrazu.
Prostowanie (Deskew)
Korekta niewielkiego nachylenia, aby linie tekstu stały się bardziej poziome. Jest to inne działanie niż obracanie strony do góry nogami lub korygowanie perspektywy zdjęcia wykonanego pod kątem.
Binaryzacja
Konwersja obrazu na czarno-białe piksele przy użyciu progu lub innej reguły decyzyjnej. Może uprościć wyraźną stronę, ale może również spowodować utratę bladych znaków lub połączenie pobliskich pociągnięć.
Wstępne przetwarzanie
Korekty obrazu wykonane przed rozpoznaniem, takie jak korekta orientacji, przycinanie lub zmiany kontrastu. Przydatna korekta poprawia rozpoznawalne znaki bez usuwania interpunkcji, akcentów lub innych istotnych szczegółów.
Rozpoznawanie i weryfikacja
Ocena opisuje konkretne zadanie i zbiór danych. Przeczytaj definicję wyniku przed porównaniem go z innym rezultatem lub użyciem go do oceny własnych dokumentów.
Rozpoznawanie pisma ręcznego
Rozpoznawanie odręcznie napisanych znaków lub słów. Połączone litery, osobiste skróty i specyficzne dla piszącego kształty sprawiają, że jest to wyzwanie inne niż w przypadku wyraźnego tekstu drukowanego.
Wskaźnik pewności
Szacunek, który system rozpoznawania może przypisać do predykcji. Jego znaczenie zależy od systemu i kalibracji. Nie jest to automatycznie prawdopodobieństwo, że cały dokument jest poprawny.
CER — wskaźnik błędów znaków
Porównanie rozpoznanego tekstu ze sprawdzonym wzorcem, oparte na wstawieniach, usunięciach i podstawieniach znaków w stosunku do długości wzorca. Niższa wartość jest lepsza. Niski CER może nadal ukrywać ważny błąd w nazwisku lub liczbie.
WER — wskaźnik błędów słów
Podobne porównanie na poziomie słów. Jeden niepoprawny znak może sprawić, że całe słowo zostanie uznane za błędne. Dlatego WER i CER opisują różne aspekty zapisu i nie powinny być traktowane jako wymienne.
Wzorzec (Ground truth)
Sprawdzony wzorzec użyty do oceny rozpoznawania. Ważne są konwencje transkrypcji: sposób obsługi interpunkcji, pisowni, spacji i nieczytelnego tekstu wpływa na porównanie. Wadliwy wzorzec może prowadzić do mylącego wyniku.
Pytania i odpowiedzi
Czy OCR to to samo co tłumaczenie?
Nie. OCR odczytuje widoczny tekst do edytowalnej formy. Tłumaczenie wyraża tekst w innym języku. Weryfikacja rozpoznawania pomaga uniknąć tłumaczenia błędnie odczytanego źródła.
Czy pobrany plik Word jest kopią oryginalnego układu?
Niekoniecznie. Edytowalny dokument może zawierać rozpoznany tekst bez zachowania tabel, odstępów lub projektu strony oryginału. Sprawdź wynik w odniesieniu do oryginału, gdy układ ma znaczenie.
Dlaczego dwa wyniki dokładności mogą się różnić?
Mogą one używać różnych dokumentów, konwencji wzorcowych lub pomiarów. Błędy znaków, błędy słów, pominięte regiony i problemy z kolejnością czytania to nie to samo.