1. Začnite s najlepším dostupným zdrojom
Použite pôvodný sken alebo súbor z fotoaparátu namiesto snímky obrazovky miniatúry. Ak vám niekto poslal malý náhľad, vyžiadajte si pôvodný dokument. Keď PDF už má presný text, ktorý možno vybrať, použite tento text znova namiesto jeho prevodu na obrázok a opätovného rozpoznávania.
Pred úpravou kontrastu, otočením alebo orezaním si ponechajte nezmenenú kópiu. Originál je vašou referenciou, keď neskoršia verzia stratí slabú interpunkciu alebo ručne písané značky. Pracovným kópiám dajte popisné názvy, aby ste ich mohli porovnávať bez hádania, ktorý súbor bol upravený.
2. Urobte písmená čitateľnými pred nahraním
Pri fotografii držte stranu rovno, fotoaparát držte približne rovnobežne s ňou a používajte rovnomerné svetlo. Vyhnite sa odleskom na lesklom papieri a tieňom z vašej ruky alebo telefónu. Pred odložením dokumentu skontrolujte niekoľko malých slov; opätovné odfotenie je jednoduchšie, kým je zdroj stále k dispozícii.
Pre skenovanie je 300 pixelov na palec užitočným východiskovým bodom pre bežný tlačený text. IMPACT odporúča vyššie rozlíšenie pre veľmi malú tlač. Národný archív USA tiež špecifikuje 300 ppi pre moderné textové trvalé záznamy vo svojich vlastných požiadavkách na digitalizáciu. Toto sú referencie pre zachytenie, nie záruka, že každá strana bude rozpoznaná správne.
Zmena štítku DPI na existujúcom súbore s nízkym rozlíšením nevytvorí nové detaily. Skontrolujte okraje znakov a interpunkciu a pri dostupnosti originálu skenujte znova pri vhodnom rozlíšení.
3. Narovnajte pohľad a vyberte súvislú oblasť
Text narovnajte a odstráňte irelevantné okraje, keď súťažia so stranou. Okolo zamýšľaného textu nechajte trochu priestoru: tesný orez môže odrezať akcenty, spodné dotiahnutia písmen alebo poslednú číslicu čísla.
Pri stĺpcoch rozpoznávajte jeden stĺpec alebo logicky prepojenú pasáž naraz, keď je poradie celej strany nespoľahlivé. Nadpisy tabuliek ponechajte pri ich hodnotách. Oddeľovanie každej drobnej bunky môže odstrániť kontext, ktorý potrebujete na rekonštrukciu výsledku.
4. Porovnajte mierne úpravy obrázka
Malá úprava kontrastu môže pomôcť slabému textu, zatiaľ čo nadmerné filtrovanie ho môže vymazať. Stmavenie strany môže tiež zvýrazniť škvrny, textúru papiera alebo písmo z opačnej strany. Porovnajte upravený obrázok s originálom pri rovnakej úrovni priblíženia.
Pred zmenou všetkého vyskúšajte jednu úpravu na náročnej pasáži. Ak vylepšenie spôsobí, že obrázok vyzerá čistejšie, ale odstráni čiarku alebo spojí dve písmená, nezlepšilo to dôkaz pre OCR.
5. Nastavte jazyk a porovnajte režimy rozpoznávania
Vyberte jazyk, ktorý sa skutočne používa vo vybranom texte. i2OCR poskytuje 128 možností rozpoznávania, vrátane písma a historických variantov. Pre stranu s viacerými jazykmi môže oddelenie odlišných oblastí uľahčiť vyhodnotenie výsledku.
Classic je užitočným východiskovým bodom pre jasný tlačený materiál. Future môže pomôcť pri rozmanitejších dokumentoch a rukopise. Ak si nie ste istí, porovnajte tú istú krátku pasáž. Posudzujte kompletný prepis, vrátane vynechaných slov a poradia riadkov, namiesto niekoľkých správne rozpoznaných viet.
6. Skontrolujte text oproti obrázku
Skontrolujte vzorku z hornej, strednej a dolnej časti vybranej oblasti. Potom skontrolujte detaily, ktoré nesú najväčší význam. Nesprávne umiestnená desatinná čiarka alebo chýbajúce slovo, ako napríklad nie, môže znamenať viac než niekoľko bežných pravopisných chýb.
- Mená, identifikátory, dátumy, desatinné čiarky a jednotky sa zhodujú so zdrojom.
- Každý zamýšľaný riadok je prítomný; nadpisy a poznámky pod čiarou sú na rozumných miestach.
- Stĺpce a riadky tabuľky neboli nesprávne skombinované.
- Nejasné pasáže sú označené na kontrolu namiesto tichého hádania.
- Skopírovaná citácia si zachováva znenie a interpunkciu, ktorú chcete citovať.
7. Uložte skontrolovaný výsledok a znova použite to, čo fungovalo
Pred prekladom alebo prepísaním uložte opravený prepis. K výsledku si ponechajte názov zdrojového súboru alebo odkaz na stranu. Ak budete neskôr spracovávať podobné dokumenty, poznačte si jazyk, vybranú oblasť a úpravy, ktoré pomohli.
Online nástroje akceptujú jeden obrázok do 25 MB alebo jeden PDF do 200 MB a 750 zdrojových strán, v závislosti od limitu zobrazeného v nástroji. PDF OCR spracováva jednu vybranú stranu alebo oblasť na požiadanie. Platia aj rozmery obrázka a limity spracovania, takže menší, dobre zachytený zdroj môže byť praktickejší než veľmi veľký súbor.
Otázky a odpovede
Pri akom rozlíšení mám skenovať?
Začnite približne pri 300 ppi pre bežný tlačený text; menšie písmo môže vyžadovať snímanie vo vyššom rozlíšení. Skontrolujte samotné písmená. Samotné rozlíšenie nedokáže opraviť rozmazanie, odlesky ani poškodené originály.
Mám previesť každý obrázok na čiernobiely?
Nie. Prahovanie (thresholding) môže odstrániť slabý text alebo spojiť ťahy písmen. Ponechajte si originál a pred prevodom na čiernobielu verziu porovnajte malú oblasť.
Poskytne väčší súbor vždy lepšie OCR?
Nie. Veľkosť súboru odráža rozmery, kompresiu a formát, nielen čitateľnosť. Jasný a dobre orezaný obrázok môže byť užitočnejší než veľká, ale rozmazaná fotografia.