Ficheiros e resultados
Comece pelo que o ficheiro contém. Um PDF pode conter imagens, texto codificado ou ambos; o nome do ficheiro não lhe diz se as suas palavras podem ser selecionadas.
OCR — reconhecimento ótico de caracteres
O processo de identificar caracteres visíveis numa imagem e representá-los como texto codificado. Permite-lhe reutilizar palavras de uma digitalização ou fotografia; o resultado reconhecido pode ainda necessitar de correção.
PDF digitalizado
Um PDF cujas páginas incluem imagens de documentos digitalizadas ou fotografadas. Alguns PDFs digitalizados também possuem uma camada de texto OCR, enquanto outros contêm apenas imagens.
PDF digital nativo
Um PDF criado diretamente a partir de conteúdo digital, como um editor de documentos, em vez de digitalizar papel. Contém frequentemente texto real, embora a seleção e extração ainda possam ser afetadas pela forma como foi produzido.
Pesquisável PDF
Um PDF que contém texto que um leitor pode pesquisar. Uma página digitalizada pode tornar-se pesquisável quando o texto reconhecido é adicionado juntamente com a sua imagem. A capacidade de pesquisa, por si só, não garante precisão ou acessibilidade.
Camada de texto
O texto codificado armazenado num PDF. Numa página digitalizada, pode ser invisível e estar posicionado sobre ou sob a imagem, para que a seleção e a pesquisa funcionem enquanto a aparência original permanece visível.
Estrutura da página
Um reconhecedor tem de fazer mais do que identificar letras. Tem também de decidir que marcas pertencem umas às outras e como o leitor deve percorrê-las.
Análise de layout
Identificação de regiões como parágrafos, títulos, imagens e tabelas. Reconhecer as palavras de uma tabela e preservar a sua estrutura de linhas e colunas são tarefas relacionadas, mas distintas.
Ordem de leitura
A sequência pretendida do texto. Um artigo de duas colunas deve, normalmente, seguir uma coluna antes de continuar na seguinte, em vez de alternar entre ambas. Palavras corretas na ordem errada podem produzir uma transcrição inutilizável.
Segmentação
Divisão de uma página em unidades mais pequenas, como regiões de texto, linhas ou caracteres. Limites incorretos podem unir palavras vizinhas, dividir um caráter ou misturar partes não relacionadas de uma página.
RTL — texto da direita para a esquerda
Texto em sistemas de escrita como o árabe ou o hebraico, que geralmente flui da direita para a esquerda. Números e texto latino incorporado podem seguir direções diferentes. A ordem de visualização e a ordem dos caracteres armazenados não são necessariamente as mesmas.
Preparação da imagem
A preparação altera a forma como as marcas existentes são apresentadas ao reconhecimento. Não consegue estabelecer texto que a imagem de origem já não contém.
PPI e DPI
Pixels por polegada descreve a amostragem de imagem a um tamanho físico; pontos por polegada descreve a densidade de pontos impressos. As definições de digitalização utilizam frequentemente DPI de forma informal. Alterar apenas o valor armazenado não adiciona detalhes a uma imagem existente.
Endireitamento (Deskew)
Correção de uma pequena inclinação para que as linhas de texto fiquem mais horizontais. É diferente de rodar uma página de cabeça para baixo ou corrigir a perspetiva de uma fotografia tirada num ângulo.
Binarização
Conversão de uma imagem em pixéis a preto e branco utilizando um limiar ou outra regra de decisão. Pode simplificar uma página clara, mas também pode perder marcas pálidas ou fundir traços próximos.
Pré-processamento
Ajustes de imagem feitos antes do reconhecimento, como correção de orientação, corte ou alterações de contraste. Um ajuste útil melhora as marcas reconhecíveis sem remover pontuação, acentos ou outros detalhes significativos.
Reconhecimento e revisão
Uma avaliação descreve uma tarefa e um conjunto de dados específicos. Leia a definição de uma pontuação antes de a comparar com outro resultado ou de a utilizar para avaliar os seus próprios documentos.
Reconhecimento de escrita manual
Reconhecimento de caracteres ou palavras manuscritas. Letras ligadas, abreviaturas pessoais e formas específicas do autor tornam este desafio diferente do texto impresso claro.
Pontuação de confiança
Uma estimativa que um sistema de reconhecimento pode atribuir a uma previsão. O seu significado depende do sistema e da calibração. Não é automaticamente a probabilidade de um documento inteiro estar correto.
CER — taxa de erro de caracteres
Uma comparação do texto reconhecido com uma referência verificada, baseada em inserções, eliminações e substituições de caracteres em relação ao comprimento da referência. Quanto mais baixo, melhor. Um CER baixo ainda pode esconder um erro importante num nome ou número.
WER — taxa de erro de palavras
Uma comparação semelhante ao nível da palavra. Um caráter incorreto pode fazer com que uma palavra inteira conte como errada. Por conseguinte, o WER e o CER descrevem aspetos diferentes de uma transcrição e não devem ser tratados como intercambiáveis.
Ground truth (Verdade fundamental)
A referência verificada utilizada para avaliar o reconhecimento. As suas convenções de transcrição são importantes: a forma como lida com a pontuação, ortografia, espaços e texto ilegível afeta a comparação. Uma referência com falhas pode produzir uma pontuação enganadora.
Perguntas e respostas
OCR é o mesmo que tradução?
Não. OCR lê texto visível para uma forma editável. A tradução expressa o texto noutra língua. Rever o reconhecimento primeiro ajuda a evitar a tradução de uma fonte mal lida.
Um download em Word é uma cópia do layout original?
Não necessariamente. Um documento editável pode conter texto reconhecido sem preservar as tabelas, o espaçamento ou o design de página da fonte. Verifique o resultado em relação ao original quando o layout for importante.
Porque é que duas pontuações de precisão podem discordar?
Podem utilizar documentos, convenções de referência ou medições diferentes. Erros de caracteres, erros de palavras, regiões omitidas e problemas de ordem de leitura não são a mesma coisa.