Filer och utdata
Börja med vad filen innehåller. En PDF kan innehålla bilder, kodad text eller båda; dess filnamn talar inte om för dig om orden kan markeras.
OCR — optisk teckenläsning
Processen att identifiera synliga tecken i en bild och representera dem som kodad text. Det låter dig återanvända ord från en skanning eller ett foto; det igenkända resultatet kan fortfarande behöva korrigeras.
Skannad PDF
En PDF vars sidor inkluderar skannade eller fotograferade dokumentbilder. Vissa skannade PDF-filer har också ett OCR-textlager, medan andra endast innehåller bilder.
Digitalt skapad PDF
En PDF skapad direkt från digitalt innehåll, till exempel i en dokumentredigerare, snarare än genom att skanna papper. Den innehåller ofta faktisk text, även om markering och extrahering fortfarande kan påverkas av hur den producerades.
Sökbar PDF
En PDF som innehåller text som en läsare kan söka i. En skannad sida kan bli sökbar när igenkänd text läggs till vid sidan av bilden. Sökbarhet garanterar i sig inte precision eller tillgänglighet.
Textlager
Den kodade texten lagrad i en PDF. På en skannad sida kan den vara osynlig och placerad över eller under bilden så att markering och sökning fungerar medan det ursprungliga utseendet förblir synligt.
Sidstruktur
En igenkänningsmotor måste göra mer än att identifiera bokstäver. Den måste också avgöra vilka tecken som hör ihop och hur läsaren ska röra sig genom dem.
Layoutanalys
Identifiering av regioner såsom stycken, rubriker, bilder och tabeller. Att känna igen en tabells ord och bevara dess rad- och kolumnstruktur är relaterade men distinkta uppgifter.
Läsordning
Den avsedda sekvensen för texten. En artikel i två kolumner bör normalt följa en kolumn innan den fortsätter i nästa, snarare än att växla mellan båda. Korrekta ord i fel ordning kan skapa en oanvändbar transkription.
Segmentering
Att dela upp en sida i mindre enheter såsom textregioner, rader eller tecken. Felaktiga gränser kan slå samman närliggande ord, dela upp ett tecken eller blanda ihop orelaterade delar av en sida.
RTL — text från höger till vänster
Text i skriftsystem som arabiska eller hebreiska som generellt flyter från höger till vänster. Siffror och inbäddad latinsk text kan följa andra riktningar. Visningsordning och lagrad teckenordning är inte nödvändigtvis desamma.
Bildförberedelse
Förberedelse ändrar hur de befintliga märkena presenteras för igenkänning. Den kan inte skapa text som källbilden inte längre innehåller.
PPI och DPI
Pixels per inch (pixlar per tum) beskriver bildsampling vid en fysisk storlek; dots per inch (punkter per tum) beskriver tryckt punkttäthet. Skanningsinställningar använder ofta DPI informellt. Att bara ändra det lagrade värdet lägger inte till detaljer i en befintlig bild.
Rätning (Deskew)
Att korrigera en liten lutning så att textrader blir mer horisontella. Det är annorlunda än att rotera en uppochnedvänd sida eller korrigera perspektivet på ett fotografi taget i vinkel.
Binarisering
Att konvertera en bild till svartvita pixlar med hjälp av ett tröskelvärde eller annan beslutsregel. Det kan förenkla en tydlig sida, men kan också göra att bleka märken försvinner eller att närliggande streck slås samman.
Förbehandling
Bildjusteringar gjorda före igenkänning, såsom orienteringskorrigering, beskärning eller kontraständringar. En användbar justering förbättrar de igenkännbara märkena utan att ta bort skiljetecken, accenter eller andra meningsfulla detaljer.
Igenkänning och granskning
En utvärdering beskriver en specifik uppgift och datamängd. Läs definitionen av ett resultat innan du jämför det med ett annat eller använder det för att bedöma dina egna dokument.
Handskriftsigenkänning
Igenkänning av handskrivna tecken eller ord. Sammankopplade bokstäver, personliga förkortningar och skrivarspecifika former gör detta till en annan utmaning än tydlig tryckt text.
Konfidenspoäng
En uppskattning som ett igenkänningssystem kan koppla till en förutsägelse. Dess betydelse beror på systemet och kalibreringen. Det är inte automatiskt sannolikheten för att ett helt dokument är korrekt.
CER — teckenfelsfrekvens
En jämförelse av igenkänd text med en kontrollerad referens, baserad på teckeninsättningar, borttagningar och substitutioner i förhållande till referensens längd. Lägre är bättre. En låg CER kan fortfarande dölja ett viktigt fel i ett namn eller nummer.
WER — ordfelsfrekvens
En liknande jämförelse på ordnivå. Ett felaktigt tecken kan göra att ett helt ord räknas som fel. WER och CER beskriver därför olika aspekter av en transkription och bör inte betraktas som utbytbara.
Facit (Ground truth)
Den kontrollerade referensen som används för att utvärdera igenkänning. Dess transkriptionskonventioner spelar roll: hur den hanterar skiljetecken, stavning, mellanslag och oläslig text påverkar jämförelsen. En bristfällig referens kan ge ett missvisande resultat.
Frågor och svar
Är OCR samma sak som översättning?
Nej. OCR läser synlig text till en redigerbar form. Översättning uttrycker text på ett annat språk. Att granska igenkänningen först hjälper till att undvika att översätta en felavläst källa.
Är en Word-nedladdning en kopia av den ursprungliga layouten?
Inte nödvändigtvis. Ett redigerbart dokument kan innehålla igenkänd text utan att bevara källans tabeller, avstånd eller sidlayout. Kontrollera utdatan mot originalet när layouten är viktig.
Varför kan två noggrannhetspoäng vara olika?
De kan använda olika dokument, referenskonventioner eller mätningar. Teckenfel, ordfel, utelämnade regioner och problem med läsordning är inte samma sak.