Súbory a výstup
Začnite tým, čo súbor obsahuje. PDF môže obsahovať obrázky, kódovaný text alebo oboje; názov súboru vám nepovie, či sú jeho slová vyberateľné.
OCR — optické rozpoznávanie znakov
Proces identifikácie viditeľných znakov na obrázku a ich reprezentácia ako kódovaný text. Umožňuje opätovne použiť slová zo skenu alebo fotografie; rozpoznaný výsledok môže stále vyžadovať opravu.
Naskenovaný PDF
PDF, ktorého strany obsahujú naskenované alebo odfotografované obrázky dokumentov. Niektoré naskenované PDF majú aj textovú vrstvu OCR, zatiaľ čo iné obsahujú iba obrázky.
Digitálne vytvorený PDF
PDF vytvorený priamo z digitálneho obsahu, napríklad v textovom editore, namiesto skenovania papiera. Často obsahuje skutočný text, hoci výber a extrakcia môžu byť stále ovplyvnené spôsobom, akým bol vytvorený.
Prehľadávateľné PDF
PDF obsahujúci text, ktorý môže čitateľ vyhľadávať. Naskenovaná strana sa môže stať prehľadávateľnou, keď sa k jej obrázku pridá rozpoznaný text. Prehľadávateľnosť sama osebe nezaručuje presnosť ani prístupnosť.
Textová vrstva
Kódovaný text uložený v PDF. Na naskenovanej strane môže byť neviditeľný a umiestnený nad alebo pod obrázkom, takže výber a vyhľadávanie fungujú, zatiaľ čo pôvodný vzhľad zostáva viditeľný.
Štruktúra strany
Rozpoznávací systém musí urobiť viac než len identifikovať písmená. Musí tiež určiť, ktoré značky patria k sebe a ako by sa v nich mal čitateľ pohybovať.
Analýza rozloženia
Identifikácia oblastí, ako sú odseky, nadpisy, obrázky a tabuľky. Rozpoznanie slov v tabuľke a zachovanie jej štruktúry riadkov a stĺpcov sú súvisiace, ale odlišné úlohy.
Poradie čítania
Zamýšľaná postupnosť textu. Dvojstĺpcový článok by mal normálne pokračovať jedným stĺpcom pred pokračovaním v ďalšom, namiesto striedania oboch. Správne slová v nesprávnom poradí môžu vytvoriť nepoužiteľný prepis.
Segmentácia
Rozdelenie strany na menšie jednotky, ako sú textové oblasti, riadky alebo znaky. Nesprávne hranice môžu spojiť susedné slová, rozdeliť znak alebo zmiešať nesúvisiace časti strany.
RTL — text sprava doľava
Text v písmach, ako je arabčina alebo hebrejčina, ktorý sa všeobecne píše sprava doľava. Čísla a vložený latinský text môžu mať iný smer. Poradie zobrazenia a poradie uložených znakov nemusia byť nevyhnutne rovnaké.
Príprava obrázkov
Príprava mení spôsob, akým sú existujúce značky prezentované na rozpoznanie. Nemôže vytvoriť text, ktorý zdrojový obrázok už neobsahuje.
PPI a DPI
Pixely na palec opisuje vzorkovanie obrázka pri fyzickej veľkosti; body na palec opisuje hustotu tlačových bodov. Nastavenia skenovania často používajú DPI neformálne. Zmena uloženej hodnoty sama osebe nepridá detaily do existujúceho obrázka.
Narovnanie (deskew)
Oprava mierneho náklonu, aby boli riadky textu vodorovnejšie. Je to iné ako otáčanie strany hore nohami alebo oprava perspektívy fotografie nasnímanej pod uhlom.
Binarizácia
Prevod obrázka na čiernobiele pixely pomocou prahu alebo iného rozhodovacieho pravidla. Môže zjednodušiť čistú stranu, ale môže tiež spôsobiť stratu bledých značiek alebo spojenie blízkych ťahov.
Predspracovanie
Úpravy obrázka vykonané pred rozpoznaním, ako je oprava orientácie, orezanie alebo zmeny kontrastu. Užitočná úprava vylepší rozpoznateľné značky bez odstránenia interpunkcie, diakritiky alebo iných zmysluplných detailov.
Rozpoznávanie a kontrola
Hodnotenie opisuje konkrétnu úlohu a súbor údajov. Pred porovnaním s iným výsledkom alebo použitím na posúdenie vlastných dokumentov si prečítajte definíciu skóre.
Rozpoznávanie rukopisu
Rozpoznávanie ručne písaných znakov alebo slov. Spojené písmená, osobné skratky a tvary špecifické pre pisateľa z neho robia inú výzvu než pri jasnom tlačenom texte.
Skóre spoľahlivosti
Odhad, ktorý môže rozpoznávací systém priradiť k predikcii. Jeho význam závisí od systému a kalibrácie. Nie je to automaticky pravdepodobnosť, že celý dokument je správny.
CER — miera chybovosti znakov
Porovnanie rozpoznaného textu s overenou referenciou na základe vložení, vymazaní a nahradení znakov vzhľadom na dĺžku referencie. Nižšia hodnota je lepšia. Nízke CER môže stále skrývať dôležitú chybu v mene alebo čísle.
WER — miera chybovosti slov
Podobné porovnanie na úrovni slov. Jeden nesprávny znak môže spôsobiť, že celé slovo sa počíta ako nesprávne. WER a CER preto opisujú rôzne aspekty prepisu a nemali by sa považovať za zameniteľné.
Ground truth (referenčný text)
Overená referencia použitá na vyhodnotenie rozpoznávania. Záleží na jej konvenciách prepisu: ako narába s interpunkciou, pravopisom, medzerami a nečitateľným textom, ovplyvňuje porovnanie. Chybná referencia môže viesť k zavádzajúcemu skóre.
Otázky a odpovede
Je OCR to isté ako preklad?
Nie. OCR načíta viditeľný text do upraviteľnej podoby. Preklad vyjadruje text v inom jazyku. Najprv skontrolujte rozpoznanie, aby ste predišli prekladu nesprávne prečítaného zdroja.
Je stiahnutý súbor Word kópiou pôvodného rozloženia?
Nie nevyhnutne. Upraviteľný dokument môže obsahovať rozpoznaný text bez zachovania tabuliek, medzier alebo dizajnu strany. Ak je rozloženie dôležité, skontrolujte výstup oproti originálu.
Prečo sa dve skóre presnosti môžu líšiť?
Môžu používať rôzne dokumenty, referenčné konvencie alebo merania. Chyby znakov, chyby slov, vynechané oblasti a problémy s poradím čítania nie sú to isté.