Файли та результати
Почніть з того, що містить файл. PDF може містити зображення, закодований текст або і те, і інше; назва файлу не підкаже, чи можна виділити в ньому слова.
OCR — оптичне розпізнавання символів
Процес ідентифікації видимих символів на зображенні та представлення їх у вигляді закодованого тексту. Це дозволяє повторно використовувати слова зі скану чи фотографії; розпізнаний результат все одно може потребувати виправлення.
Відсканований PDF
PDF, сторінки якого містять відскановані або сфотографовані зображення документів. Деякі відскановані PDF-файли також мають текстовий шар OCR, тоді як інші містять лише зображення.
Цифровий PDF
PDF, створений безпосередньо з цифрового вмісту, наприклад у текстовому редакторі, а не шляхом сканування паперу. Він часто містить справжній текст, хоча на виділення та вилучення все одно може впливати спосіб його створення.
PDF з можливістю пошуку
PDF, що містить текст, який користувач може шукати. Відсканована сторінка стає доступною для пошуку, коли розпізнаний текст додається поруч із зображенням. Можливість пошуку сама по собі не гарантує точності чи доступності.
Текстовий шар
Закодований текст, що зберігається у PDF. На відсканованій сторінці він може бути невидимим і розташовуватися над або під зображенням, щоб виділення та пошук працювали, поки оригінальний вигляд залишається видимим.
Структура сторінки
Система розпізнавання повинна робити більше, ніж просто ідентифікувати літери. Вона також має вирішити, які знаки належать один до одного і як читач має переміщатися ними.
Аналіз макета
Визначення областей, таких як абзаци, заголовки, зображення та таблиці. Розпізнавання слів у таблиці та збереження її структури рядків і стовпців — це пов'язані, але різні завдання.
Порядок читання
Передбачувана послідовність тексту. Стаття у дві колонки зазвичай має читатися спочатку по одній колонці, а потім по іншій, а не чергуватися між ними. Правильні слова в неправильному порядку можуть створити непридатний для використання текст.
Сегментація
Поділ сторінки на менші одиниці, такі як текстові області, рядки або символи. Неправильні межі можуть об'єднати сусідні слова, розділити символ або змішати непов'язані частини сторінки.
RTL — текст справа наліво
Текст у таких мовах, як арабська чи іврит, який зазвичай пишеться справа наліво. Цифри та вбудований латинський текст можуть мати інший напрямок. Порядок відображення та порядок збереження символів не обов'язково збігаються.
Підготовка зображення
Підготовка змінює спосіб представлення існуючих знаків для розпізнавання. Вона не може відновити текст, якого на вихідному зображенні вже немає.
PPI та DPI
Пікселі на дюйм описує вибірку зображення при фізичному розмірі; точки на дюйм описує щільність друкованих точок. Налаштування сканування часто використовують DPI неформально. Зміна лише збереженого значення не додає деталей до існуючого зображення.
Вирівнювання (Deskew)
Виправлення невеликого нахилу, щоб рядки тексту стали горизонтальними. Це відрізняється від повороту перевернутої сторінки або виправлення перспективи фотографії, зробленої під кутом.
Бінаризація
Перетворення зображення на чорно-білі пікселі за допомогою порогу або іншого правила прийняття рішень. Це може спростити чітку сторінку, але також може призвести до втрати блідих знаків або злиття сусідніх штрихів.
Попередня обробка
Коригування зображення перед розпізнаванням, такі як виправлення орієнтації, обрізка або зміна контрастності. Корисне коригування покращує розпізнаваність знаків, не видаляючи пунктуацію, наголоси чи інші важливі деталі.
Розпізнавання та перевірка
Оцінка описує конкретне завдання та набір даних. Прочитайте визначення показника, перш ніж порівнювати його з іншим результатом або використовувати для оцінки власних документів.
Розпізнавання рукописного тексту
Розпізнавання рукописних символів або слів. З'єднані літери, особисті скорочення та специфічні для автора форми роблять це завдання складнішим, ніж розпізнавання чіткого друкованого тексту.
Показник впевненості
Оцінка, яку система розпізнавання може додати до прогнозу. Її значення залежить від системи та калібрування. Це не автоматично ймовірність того, що весь документ правильний.
CER — рівень помилок символів
Порівняння розпізнаного тексту з перевіреним еталоном на основі вставки, видалення та заміни символів відносно довжини еталона. Чим нижче, тим краще. Низький CER все одно може приховувати важливу помилку в імені чи числі.
WER — рівень помилок слів
Аналогічне порівняння на рівні слів. Один неправильний символ може зробити все слово помилковим. Тому WER і CER описують різні аспекти тексту і не повинні вважатися взаємозамінними.
Еталон (Ground truth)
Перевірений зразок, що використовується для оцінки розпізнавання. Важливі правила його транскрипції: як він обробляє пунктуацію, правопис, пробіли та нечитабельний текст, впливає на порівняння. Недосконалий еталон може дати оманливий результат.
Запитання та відповіді
Чи OCR — це те саме, що переклад?
Ні. OCR зчитує видимий текст у редаговану форму. Переклад виражає текст іншою мовою. Спочатку перевірка розпізнавання допомагає уникнути перекладу неправильно прочитаного джерела.
Чи є завантаження у форматі Word копією оригінального макета?
Не обов'язково. Редагований документ може містити розпізнаний текст, не зберігаючи таблиці, інтервали чи дизайн сторінки оригіналу. Перевіряйте результат порівняно з оригіналом, коли макет має значення.
Чому дві оцінки точності можуть відрізнятися?
Вони можуть використовувати різні документи, еталонні правила або методи вимірювання. Помилки символів, помилки слів, пропущені області та проблеми з порядком читання — це не одне й те саме.