Paano ka makakakuha ng mas malinis na mga resulta ng OCR?

1. Magsimula sa pinakamahusay na available na source

Gamitin ang orihinal na scan o file mula sa camera sa halip na screenshot ng thumbnail. Kung may nagpadala ng maliit na preview, hilingin ang orihinal na dokumento. Kapag ang isang PDF ay mayroon nang tumpak na tekstong maaaring piliin (selectable text), gamitin muli ang tekstong iyon sa halip na i-convert ito sa imahe at kilalanin muli.

Magtabi ng hindi nabagong kopya bago ayusin ang contrast, pag-ikot, o pag-crop. Ang orihinal ang iyong sanggunian kapag ang isang susunod na bersyon ay nawalan ng malabong bantas o mga marka ng sulat-kamay. Bigyan ng mapaglarawang pangalan ang mga working copy para maikumpara mo ang mga ito nang hindi nanghuhula kung aling file ang na-edit.

2. Gawing nababasa ang mga titik bago i-upload

Para sa isang litrato, panatilihing patag ang pahina, hawakan ang camera nang halos parallel dito, at gumamit ng pantay na liwanag. Iwasan ang glare sa makintab na papel at mga anino mula sa iyong kamay o telepono. Suriin ang ilang maliliit na salita bago itabi ang dokumento; mas madaling kumuha muli habang available pa ang source.

Para sa isang scan, ang 300 pixels per inch ay isang kapaki-pakinabang na panimulang punto para sa ordinaryong nakalimbag na teksto. Inirerekomenda ng IMPACT ang mas mataas na resolution para sa napakaliit na print. Ang U.S. National Archives ay nagtatakda rin ng 300 ppi para sa mga modernong permanenteng rekord na teksto sa sarili nitong mga kinakailangan sa digitization. Ang mga ito ay mga sanggunian sa pagkuha, hindi garantiya na ang bawat pahina ay makikilala nang tama.

Ang pagpapalit ng DPI label sa isang umiiral na file na may mababang resolution ay hindi lumilikha ng bagong detalye. Siyasatin ang mga gilid ng karakter at bantas, at i-scan muli sa naaangkop na resolution kapag available ang orihinal.

3. Ituwid ang view at pumili ng magkakaugnay na rehiyon

Gawing tuwid ang teksto at alisin ang mga hindi kaugnay na border kapag nakikipagkumpitensya ang mga ito sa pahina. Mag-iwan ng kaunting espasyo sa paligid ng nilalayong teksto: ang masyadong mahigpit na crop ay maaaring makaputol ng mga accent, descender, o huling digit ng isang numero.

Para sa mga column, kilalanin ang isang column o isang lohikal na konektadong sipi sa bawat pagkakataon kapag hindi maaasahan ang pagkakasunod-sunod ng buong pahina. Panatilihin ang mga table heading kasama ang kanilang mga halaga. Ang paghihiwalay sa bawat maliit na cell ay maaaring mag-alis ng kontekstong kailangan mo upang muling buuin ang resulta.

4. Ihambing ang mga katamtamang pagsasaayos ng imahe

Ang maliit na pagsasaayos ng contrast ay maaaring makatulong sa malabong teksto, habang ang labis na pag-filter ay maaaring magbura nito. Ang pagpapadilim sa pahina ay maaari ring magpalakas ng mga mantsa, texture ng papel, o sulat mula sa kabilang panig. Ihambing ang inayos na imahe sa orihinal sa parehong zoom level.

Subukan ang isang pagsasaayos sa isang mahirap na sipi bago baguhin ang lahat. Kung ang isang enhancement ay nagpapamukhang mas malinis sa imahe ngunit nag-aalis ng kuwit o nagdurugtong ng dalawang titik, hindi nito napabuti ang ebidensya para sa OCR.

5. Itakda ang wika at ihambing ang mga mode ng pagkilala

Piliin ang wikang aktwal na ginamit sa napiling teksto. Ang i2OCR ay nagbibigay ng 128 na mga pagpipilian sa pagkilala, kabilang ang script at mga historical variant. Para sa isang pahinang may magkahalong wika, ang paghihiwalay sa mga natatanging rehiyon ay maaaring gawing mas madaling suriin ang resulta.

Ang Classic ay isang kapaki-pakinabang na panimulang punto para sa malinaw na nakalimbag na materyal. Ang Future ay makakatulong sa mas iba't ibang dokumento at sulat-kamay. Ihambing ang parehong maikling sipi kapag hindi sigurado. Husgahan ang kumpletong transcript, kabilang ang mga nakaligtaang salita at pagkakasunod-sunod ng linya, sa halip na ilang pangungusap na tama ang pagkakakilala.

6. Suriin ang teksto laban sa imahe

Suriin ang isang sample mula sa itaas, gitna, at ibaba ng napiling lugar. Pagkatapos, siyasatin ang mga detalyeng may pinakamalaking kahulugan. Ang maling decimal point o nawawalang salita gaya ng 'not' ay maaaring mas mahalaga kaysa sa ilang ordinaryong error sa baybay.

• Ang mga pangalan, identifier, petsa, decimal point, at unit ay tumutugma sa source.
• Ang bawat nilalayong linya ay naroroon; ang mga header at footnote ay nasa mga tamang lugar.
• Ang mga column at table row ay hindi pinagsama nang mali.
• Ang mga hindi malinaw na sipi ay minarkahan para sa pagsusuri sa halip na basta na lamang hulaan.
• Ang isang kinopyang sipi ay nagpapanatili ng pananalita at bantas na nais mong banggitin.

7. I-save ang sinuring resulta at gamitin muli ang gumana

I-save ang naitamang transcript bago ito isalin o isulat muli. Panatilihin ang filename ng source o sanggunian ng pahina kasama ang resulta. Kung magpoproseso ka ng mga katulad na dokumento sa hinaharap, tandaan ang wika, napiling rehiyon, at mga pagsasaayos na nakatulong.

Ang mga online tool ay tumatanggap ng isang imahe hanggang 25 MB o isang PDF hanggang 200 MB at 750 na mga source page, depende sa limitasyong ipinapakita sa tool. Ang PDF OCR ay nagpoproseso ng isang napiling pahina o lugar bawat request. Nalalapat din ang mga limitasyon sa dimensyon ng imahe at pagproseso, kaya ang isang mas maliit at maayos na nakuhang source ay maaaring mas praktikal kaysa sa napakalaking file.