1. Почніть з найкращого доступного джерела
Використовуйте оригінальний скан або файл з камери, а не скріншот мініатюри. Якщо хтось надіслав невеликий попередній перегляд, запитайте оригінальний документ. Якщо PDF вже має точний текст, який можна виділити, використовуйте цей текст замість перетворення його на зображення та повторного розпізнавання.
Зберігайте незмінену копію перед налаштуванням контрасту, поворотом або обрізанням. Оригінал є вашим еталоном, якщо в пізнішій версії зникнуть слабкі знаки пунктуації або рукописні позначки. Давайте робочим копіям описові назви, щоб ви могли порівнювати їх, не вгадуючи, який файл було відредаговано.
2. Зробіть літери читабельними перед завантаженням
Для фотографії тримайте сторінку рівно, тримайте камеру приблизно паралельно до неї та використовуйте рівномірне освітлення. Уникайте відблисків на глянцевому папері та тіней від руки чи телефону. Перевірте кілька коротких слів, перш ніж прибирати документ; перезняти легше, поки джерело ще доступне.
Для сканування 300 пікселів на дюйм є корисним початковим значенням для звичайного друкованого тексту. IMPACT рекомендує вищу роздільну здатність для дуже дрібного шрифту. Національний архів США також вказує 300 ppi для сучасних текстових постійних записів у своїх вимогах до оцифрування. Це довідкові значення для захоплення, а не гарантія того, що кожна сторінка буде розпізнана правильно.
Зміна мітки DPI у наявному файлі з низькою роздільною здатністю не створює нових деталей. Перевірте краї символів та пунктуацію, і виконайте повторне сканування з відповідною роздільною здатністю, якщо доступний оригінал.
3. Вирівняйте зображення та виберіть цілісну область
Розташуйте текст вертикально та видаліть нерелевантні межі, якщо вони заважають сторінці. Залиште трохи місця навколо потрібного тексту: тісне обрізання може відсікти акценти, нижні виносні елементи літер або останню цифру числа.
Для стовпців розпізнавайте по одному стовпцю або логічно пов'язаному фрагменту за раз, якщо порядок на всій сторінці ненадійний. Тримайте заголовки таблиць разом із їхніми значеннями. Відокремлення кожної крихітної клітинки може позбавити вас контексту, необхідного для відтворення результату.
4. Порівнюйте помірні налаштування зображення
Невелике налаштування контрасту може допомогти зі слабким текстом, тоді як надмірна фільтрація може стерти його. Затемнення сторінки також може посилити плями, текстуру паперу або текст зі зворотного боку. Порівнюйте налаштоване зображення з оригіналом при однаковому рівні масштабування.
Спробуйте одне налаштування на складному фрагменті, перш ніж змінювати все. Якщо покращення робить зображення чистішим, але видаляє кому або з'єднує дві літери, це не покращило доказову базу для OCR.
5. Встановіть мову та порівняйте режими розпізнавання
Виберіть мову, яка фактично використовується у вибраному тексті. i2OCR надає 128 варіантів розпізнавання, включаючи шрифти та історичні варіанти. Для сторінки зі змішаними мовами розділення окремих областей може полегшити оцінювання результату.
«Класичний» (Classic) — корисна відправна точка для чітких друкованих матеріалів. «Майбутній» (Future) може допомогти з більш різноманітними документами та рукописним текстом. Порівняйте один і той самий короткий фрагмент, якщо не впевнені. Оцінюйте повний транскрипт, включаючи пропущені слова та порядок рядків, а не кілька правильно розпізнаних речень.
6. Перевірте текст порівняно із зображенням
Перевірте зразок з початку, середини та кінця вибраної області. Потім перевірте деталі, які несуть найбільше значення. Неправильно поставлена десяткова кома або пропущене слово, наприклад «не», можуть важити більше, ніж кілька звичайних орфографічних помилок.
- Імена, ідентифікатори, дати, десяткові коми та одиниці вимірювання збігаються з джерелом.
- Кожен запланований рядок присутній; заголовки та виноски знаходяться на своїх місцях.
- Стовпці та рядки таблиці не були об'єднані неправильно.
- Нечіткі фрагменти позначені для перевірки, а не вгадані мовчки.
- Скопійована цитата зберігає формулювання та пунктуацію, які ви плануєте цитувати.
7. Збережіть перевірений результат і повторно використовуйте те, що спрацювало
Збережіть виправлений транскрипт перед перекладом або переписуванням. Зберігайте назву файлу джерела або посилання на сторінку разом із результатом. Якщо ви будете обробляти подібні документи пізніше, запишіть мову, вибрану область та налаштування, які допомогли.
Онлайн-інструменти приймають одне зображення розміром до 25 MB або один PDF до 200 MB та 750 вихідних сторінок, залежно від ліміту, вказаного в інструменті. PDF OCR обробляє одну вибрану сторінку або область за запит. Розміри зображення та ліміти обробки також застосовуються, тому менше, добре захоплене джерело може бути практичнішим, ніж дуже великий файл.
Запитання та відповіді
З якою роздільною здатністю мені сканувати?
Починайте приблизно з 300 ppi для звичайного друкованого тексту; для дрібного шрифту може знадобитися сканування з вищою роздільною здатністю. Перевірте самі літери. Роздільна здатність сама по собі не виправить розмитість, відблиски чи пошкоджені оригінали.
Чи варто перетворювати кожне зображення на чорно-біле?
Ні. Порогова обробка може видалити блідий текст або злити штрихи літер. Збережіть оригінал і порівняйте невелику ділянку, перш ніж перетворювати все зображення на чорно-біле.
Чи завжди файл більшого розміру забезпечує кращу OCR?
Ні. Розмір файлу відображає розміри, стиснення та формат, а не лише чіткість. Чітке, добре відскановане зображення може бути кориснішим, ніж велика, але розмита фотографія.