Datoteke in izhodni podatki
Začnite s tem, kar datoteka vsebuje. PDF lahko vsebuje slike, kodirano besedilo ali oboje; ime datoteke vam ne pove, ali je mogoče njene besede izbrati.
OCR — optična prepoznava znakov
Postopek prepoznavanja vidnih znakov na sliki in njihovo predstavljanje kot kodirano besedilo. Omogoča ponovno uporabo besed iz skenirane slike ali fotografije; prepoznani rezultat bo morda še vedno treba popraviti.
Skeniran PDF
PDF, katerega strani vključujejo skenirane ali fotografirane slike dokumentov. Nekateri skenirani PDF-ji imajo tudi besedilno plast OCR, medtem ko drugi vsebujejo le slike.
Digitalno ustvarjen PDF
PDF, ustvarjen neposredno iz digitalne vsebine, na primer v urejevalniku dokumentov, namesto s skeniranjem papirja. Pogosto vsebuje dejansko besedilo, čeprav lahko na izbiro in ekstrakcijo še vedno vpliva način, kako je bil ustvarjen.
Iskalni PDF
PDF, ki vsebuje besedilo, ki ga bralec lahko išče. Skenirana stran lahko postane iskalna, ko je poleg slike dodano prepoznano besedilo. Iskalnost sama po sebi ne zagotavlja natančnosti ali dostopnosti.
Besedilna plast
Kodirano besedilo, shranjeno v PDF. Na skenirani strani je lahko nevidno in postavljeno nad ali pod sliko, tako da izbiranje in iskanje delujeta, medtem ko izvirni videz ostane viden.
Struktura strani
Sistem za prepoznavanje mora storiti več kot le prepoznati črke. Odločiti se mora tudi, katere oznake spadajo skupaj in kako naj se bralec premika skozi njih.
Analiza postavitve
Prepoznavanje območij, kot so odstavki, naslovi, slike in tabele. Prepoznavanje besed v tabeli in ohranjanje njene strukture vrstic in stolpcev sta povezani, a različni nalogi.
Vrstni red branja
Predvideno zaporedje besedila. Članek v dveh stolpcih bi moral običajno slediti enemu stolpcu, preden nadaljuje v naslednjem, namesto da bi se izmenjeval med obema. Pravilne besede v napačnem vrstnem redu lahko ustvarijo neuporaben prepis.
Segmentacija
Razdelitev strani na manjše enote, kot so besedilna območja, vrstice ali znaki. Nepravilne meje lahko združijo sosednje besede, razdelijo znak ali zmešajo nepovezane dele strani.
RTL — besedilo od desne proti levi
Besedilo v pisavah, kot sta arabščina ali hebrejščina, ki običajno poteka od desne proti levi. Številke in vstavljeno latinično besedilo lahko sledijo drugačnim smerem. Vrstni red prikaza in shranjeni vrstni red znakov nista nujno enaka.
Priprava slike
Priprava spremeni način, kako so obstoječe oznake predstavljene za prepoznavanje. Ne more vzpostaviti besedila, ki ga izvorna slika ne vsebuje več.
PPI in DPI
Piksli na palec opisujejo vzorčenje slike pri fizični velikosti; pike na palec opisujejo gostoto tiskanih pik. Nastavitve skeniranja pogosto neformalno uporabljajo DPI. Spreminjanje samo shranjene vrednosti ne doda podrobnosti obstoječi sliki.
Poravnava (Deskew)
Popravljanje majhnega nagiba, da postanejo vrstice besedila bolj vodoravne. To se razlikuje od vrtenja obrnjene strani ali popravljanja perspektive fotografije, posnete pod kotom.
Binarizacija
Pretvorba slike v črno-bele piksle z uporabo praga ali drugega pravila odločanja. Lahko poenostavi jasno stran, vendar lahko tudi izgubi blede oznake ali združi bližnje poteze.
Predobdelava
Prilagoditve slike, narejene pred prepoznavanjem, kot so popravek usmerjenosti, obrezovanje ali spremembe kontrasta. Uporabna prilagoditev izboljša prepoznavne oznake, ne da bi odstranila ločila, naglase ali druge pomembne podrobnosti.
Prepoznavanje in pregled
Ocena opisuje določeno nalogo in nabor podatkov. Preden primerjate rezultat z drugim ali ga uporabite za presojo lastnih dokumentov, preberite definicijo ocene.
Prepoznavanje rokopisa
Prepoznavanje ročno napisanih znakov ali besed. Povezane črke, osebne okrajšave in oblike, značilne za pisca, predstavljajo drugačen izziv kot jasno tiskano besedilo.
Ocena zaupanja
Ocena, ki jo sistem za prepoznavanje lahko pripiše napovedi. Njen pomen je odvisen od sistema in kalibracije. Ni samodejno verjetnost, da je celoten dokument pravilen.
CER — stopnja napak znakov
Primerjava prepoznanega besedila s preverjeno referenco, ki temelji na vstavljanju, brisanju in zamenjavi znakov glede na dolžino reference. Nižje je bolje. Nizka stopnja CER lahko še vedno skriva pomembno napako v imenu ali številki.
WER — stopnja napak besed
Podobna primerjava na ravni besed. En napačen znak lahko povzroči, da se celotna beseda šteje za napačno. Zato WER in CER opisujeta različne vidike prepisa in ju ne bi smeli obravnavati kot zamenljiva.
Osnovna resnica (Ground truth)
Preverjena referenca, uporabljena za ocenjevanje prepoznavanja. Pomembne so njene konvencije za prepis: kako obravnava ločila, črkovanje, presledke in neberljivo besedilo, vpliva na primerjavo. Pomanjkljiva referenca lahko povzroči zavajajočo oceno.
Vprašanja in odgovori
Ali je OCR isto kot prevajanje?
Ne. OCR bere vidno besedilo v obliko, ki jo je mogoče urejati. Prevajanje izraža besedilo v drugem jeziku. Najprej pregled prepoznavanja pomaga preprečiti prevajanje napačno prebranega vira.
Ali je prenos v Word kopija izvirne postavitve?
Ni nujno. Dokument, ki ga je mogoče urejati, lahko vsebuje prepoznano besedilo, ne da bi ohranil tabele, razmike ali zasnovo strani izvirnika. Ko je postavitev pomembna, preverite izhodni dokument glede na izvirnik.
Zakaj se lahko dve oceni natančnosti razlikujeta?
Morda uporabljata različne dokumente, referenčne konvencije ali meritve. Napake znakov, napake besed, izpuščena območja in težave z vrstnim redom branja niso ista stvar.