1. Începeți cu cea mai bună sursă disponibilă
Folosiți scanarea originală sau fișierul camerei în loc de o captură de ecran a unei miniaturi. Dacă cineva a trimis o previzualizare mică, solicitați documentul original. Când un PDF are deja text selectabil precis, reutilizați acel text în loc să îl convertiți într-o imagine și să îl recunoașteți din nou.
Păstrați o copie neschimbată înainte de a ajusta contrastul, rotația sau decuparea. Originalul este referința dvs. atunci când o versiune ulterioară pierde punctuația palidă sau semnele scrise de mână. Dați copiilor de lucru nume descriptive pentru a le putea compara fără a ghici care fișier a fost editat.
2. Faceți literele lizibile înainte de încărcare
Pentru o fotografie, păstrați pagina plată, țineți camera aproximativ paralelă cu aceasta și folosiți o lumină uniformă. Evitați strălucirea pe hârtia lucioasă și umbrele de la mână sau telefon. Verificați câteva cuvinte mici înainte de a pune documentul deoparte; o refacere este mai ușoară cât timp sursa este încă disponibilă.
Pentru o scanare, 300 pixeli pe inch este un punct de plecare util pentru textul tipărit obișnuit. IMPACT recomandă o rezoluție mai mare pentru caracterele foarte mici. Arhivele Naționale ale S.U.A. specifică, de asemenea, 300 ppi pentru înregistrările permanente textuale moderne în propriile cerințe de digitizare. Acestea sunt referințe de captură, nu o garanție că fiecare pagină va fi recunoscută corect.
Modificarea unei etichete DPI pe un fișier existent cu rezoluție mică nu creează detalii noi. Inspectați marginile caracterelor și punctuația și scanați din nou la o rezoluție adecvată atunci când originalul este disponibil.
3. Îndreptați vizualizarea și selectați o regiune coerentă
Faceți textul vertical și eliminați marginile irelevante atunci când acestea concurează cu pagina. Lăsați puțin spațiu în jurul textului dorit: o decupare strânsă poate tăia accentele, literele cu descendenți sau ultima cifră a unui număr.
Pentru coloane, recunoașteți o coloană sau un pasaj conectat logic pe rând atunci când ordinea paginii întregi nu este fiabilă. Păstrați titlurile tabelului cu valorile lor. Separarea fiecărei celule minuscule poate elimina contextul de care aveți nevoie pentru a reconstrui rezultatul.
4. Comparați ajustările modeste ale imaginii
O mică ajustare a contrastului poate ajuta textul palid, în timp ce filtrarea excesivă îl poate șterge. Întunecarea paginii poate, de asemenea, să întărească petele, textura hârtiei sau scrisul de pe verso. Comparați imaginea ajustată cu originalul la același nivel de zoom.
Încercați o singură ajustare pe un pasaj dificil înainte de a schimba totul. Dacă o îmbunătățire face ca imaginea să pară mai curată, dar elimină o virgulă sau unește două litere, aceasta nu a îmbunătățit dovezile pentru OCR.
5. Setați limba și comparați modurile de recunoaștere
Alegeți limba utilizată efectiv în textul selectat. i2OCR oferă 128 opțiuni de recunoaștere, inclusiv variante de scriere și istorice. Pentru o pagină în mai multe limbi, separarea regiunilor distincte poate face rezultatul mai ușor de evaluat.
Classic este un punct de plecare util pentru materialul tipărit clar. Future poate ajuta cu documente mai variate și scris de mână. Comparați același pasaj scurt când nu sunteți sigur. Judecați transcrierea completă, inclusiv cuvintele omise și ordinea liniilor, mai degrabă decât câteva propoziții recunoscute corect.
6. Revizuiți textul în raport cu imaginea
Verificați un eșantion din partea de sus, de mijloc și de jos a zonei selectate. Apoi inspectați detaliile care poartă cea mai mare semnificație. Un punct zecimal deplasat sau un cuvânt lipsă, cum ar fi nu, poate conta mai mult decât câteva erori de ortografie obișnuite.
- Numele, identificatorii, datele, punctele zecimale și unitățile corespund sursei.
- Fiecare linie dorită este prezentă; antetele și notele de subsol sunt în locuri sensibile.
- Coloanele și rândurile tabelului nu au fost combinate incorect.
- Pasajele neclare sunt marcate pentru revizuire în loc să fie ghicite în tăcere.
- Un citat copiat păstrează formularea și punctuația pe care intenționați să le citați.
7. Salvați rezultatul revizuit și reutilizați ceea ce a funcționat
Salvați transcrierea corectată înainte de a o traduce sau rescrie. Păstrați numele fișierului sursă sau referința paginii cu rezultatul. Dacă veți procesa documente similare mai târziu, notați limba, regiunea selectată și ajustările care au ajutat.
Instrumentele online acceptă o imagine de până la 25 MB sau un PDF de până la 200 MB și 750 pagini sursă, sub rezerva limitei afișate în instrument. PDF OCR procesează o pagină sau o zonă selectată per cerere. Se aplică, de asemenea, dimensiunile imaginii și limitele de procesare, astfel încât o sursă mai mică, bine capturată, poate fi mai practică decât un fișier foarte mare.
Întrebări și răspunsuri
La ce rezoluție ar trebui să scanez?
Începeți cu aproximativ 300 ppi pentru textul tipărit obișnuit; caracterele mai mici pot beneficia de o captură la rezoluție mai mare. Inspectați literele propriu-zise. Rezoluția singură nu poate remedia neclaritatea, reflexiile sau originalele deteriorate.
Ar trebui să convertesc fiecare imagine în alb-negru?
Nu. Pragul (thresholding) poate elimina textul palid sau poate îmbina liniile. Păstrați originalul și comparați o zonă mică înainte de a opta pentru o versiune alb-negru.
Un fișier mai mare va oferi întotdeauna o OCR mai bună?
Nu. Dimensiunea fișierului reflectă dimensiunile, compresia și formatul, nu doar lizibilitatea. O imagine clară și bine încadrată poate fi mai utilă decât o fotografie mare, dar neclară.