1. Начните с лучшего доступного источника
Используйте оригинальный скан или файл с камеры, а не скриншот миниатюры. Если кто-то прислал небольшой превью-файл, запросите оригинал документа. Если в PDF уже есть точный выделяемый текст, используйте его вместо преобразования в изображение и повторного распознавания.
Сохраняйте неизмененную копию перед настройкой контраста, поворотом или обрезкой. Оригинал — это ваш эталон, если в более поздней версии исчезнут бледные знаки препинания или рукописные пометки. Давайте рабочим копиям описательные имена, чтобы вы могли сравнивать их, не гадая, какой файл был отредактирован.
2. Сделайте буквы читаемыми перед загрузкой
Для фотографии держите страницу ровно, держите камеру примерно параллельно ей и используйте равномерное освещение. Избегайте бликов на глянцевой бумаге и теней от руки или телефона. Проверьте несколько коротких слов, прежде чем убирать документ; переснять проще, пока источник под рукой.
Для сканирования 300 пикселей на дюйм — полезная отправная точка для обычного печатного текста. IMPACT рекомендует более высокое разрешение для очень мелкого шрифта. Национальный архив США также указывает 300 ppi для современных текстовых документов постоянного хранения в своих требованиях к оцифровке. Это справочные значения для захвата, а не гарантия того, что каждая страница будет распознана правильно.
Изменение метки DPI в существующем файле с низким разрешением не создает новых деталей. Осмотрите края символов и пунктуацию, и при наличии оригинала выполните повторное сканирование с соответствующим разрешением.
3. Выровняйте изображение и выберите связную область
Расположите текст вертикально и удалите лишние границы, если они мешают восприятию страницы. Оставьте немного места вокруг нужного текста: при слишком тесной обрезке можно отсечь акценты, нижние выносные элементы букв или последнюю цифру числа.
Для столбцов распознавайте по одному столбцу или логически связанному фрагменту за раз, если порядок чтения всей страницы ненадежен. Сохраняйте заголовки таблиц вместе с их значениями. Разделение на каждую крошечную ячейку может лишить вас контекста, необходимого для восстановления результата.
4. Сравните умеренные корректировки изображения
Небольшая корректировка контраста может помочь при работе с бледным текстом, в то время как чрезмерная фильтрация может его стереть. Затемнение страницы также может усилить пятна, текстуру бумаги или текст с обратной стороны. Сравнивайте скорректированное изображение с оригиналом при одном и том же уровне масштабирования.
Попробуйте одну корректировку на сложном фрагменте, прежде чем менять все. Если улучшение делает изображение чище, но удаляет запятую или соединяет две буквы, это не улучшает доказательную базу для OCR.
5. Установите язык и сравните режимы распознавания
Выберите язык, который фактически используется в выбранном тексте. i2OCR предоставляет 128 вариантов распознавания, включая скрипты и исторические варианты. Для страницы со смешанными языками разделение на отдельные области может облегчить оценку результата.
Classic — полезная отправная точка для четких печатных материалов. Future может помочь с более разнообразными документами и рукописным текстом. Сравните один и тот же короткий фрагмент, если не уверены. Оценивайте полную расшифровку, включая пропущенные слова и порядок строк, а не несколько правильно распознанных предложений.
6. Сверьте текст с изображением
Проверьте образец из верхней, средней и нижней части выбранной области. Затем изучите детали, которые несут наибольший смысл. Неправильно поставленная десятичная точка или пропущенное слово, например «не», могут значить больше, чем несколько обычных орфографических ошибок.
- Имена, идентификаторы, даты, десятичные точки и единицы измерения соответствуют источнику.
- Все нужные строки присутствуют; заголовки и сноски находятся на своих местах.
- Столбцы и строки таблицы не были объединены неверно.
- Неясные фрагменты помечены для проверки, а не угаданы молча.
- Скопированная цитата сохраняет формулировку и пунктуацию, которые вы намеревались процитировать.
7. Сохраните проверенный результат и используйте то, что сработало
Сохраните исправленную расшифровку перед переводом или переписыванием. Сохраняйте имя исходного файла или ссылку на страницу вместе с результатом. Если позже вы будете обрабатывать похожие документы, запишите язык, выбранную область и корректировки, которые помогли.
Онлайн-инструменты принимают одно изображение размером до 25 MB или один PDF размером до 200 MB и 750 исходных страниц, в зависимости от лимита, указанного в инструменте. PDF OCR обрабатывает одну выбранную страницу или область за запрос. Также применяются ограничения на размеры изображения и обработку, поэтому источник меньшего размера, снятый качественно, может быть практичнее, чем очень большой файл.
Вопросы и ответы
С каким разрешением мне сканировать?
Начните примерно с 300 ppi для обычного печатного текста; для мелкого шрифта может потребоваться сканирование с более высоким разрешением. Проверьте сами буквы. Одно лишь разрешение не исправит размытость, блики или поврежденные оригиналы.
Нужно ли преобразовывать каждое изображение в черно-белый формат?
Нет. Пороговая обработка может удалить бледный текст или объединить штрихи. Сохраните оригинал и сравните небольшой фрагмент, прежде чем переходить к черно-белой версии.
Всегда ли файл большего размера дает лучшее OCR?
Нет. Размер файла отражает размеры, сжатие и формат, а не только читаемость. Четкое, правильно откадрированное изображение может быть полезнее, чем большая, но размытая фотография.