Tệp và đầu ra
Hãy bắt đầu với nội dung của tệp. Một PDF có thể chứa hình ảnh, văn bản được mã hóa hoặc cả hai; tên tệp không cho bạn biết liệu các từ trong đó có thể được chọn hay không.
OCR — nhận dạng ký tự quang học
Quá trình xác định các ký tự hiển thị trong hình ảnh và biểu diễn chúng dưới dạng văn bản được mã hóa. Nó cho phép bạn sử dụng lại các từ từ bản quét hoặc ảnh; kết quả nhận dạng vẫn có thể cần được chỉnh sửa.
PDF được quét
Một PDF có các trang bao gồm hình ảnh tài liệu được quét hoặc chụp ảnh. Một số tệp PDF được quét cũng có lớp văn bản OCR, trong khi những tệp khác chỉ chứa hình ảnh.
PDF kỹ thuật số gốc
Một PDF được tạo trực tiếp từ nội dung kỹ thuật số, chẳng hạn như trình chỉnh sửa tài liệu, thay vì bằng cách quét giấy. Nó thường chứa văn bản thực, mặc dù việc chọn và trích xuất vẫn có thể bị ảnh hưởng bởi cách nó được tạo ra.
PDF có thể tìm kiếm
Một PDF chứa văn bản mà người đọc có thể tìm kiếm. Một trang được quét có thể trở nên có thể tìm kiếm được khi văn bản được nhận dạng được thêm vào cùng với hình ảnh của nó. Khả năng tìm kiếm không tự đảm bảo độ chính xác hoặc khả năng truy cập.
Lớp văn bản
Văn bản được mã hóa được lưu trữ trong một PDF. Trên một trang được quét, nó có thể vô hình và được đặt phía trên hoặc phía dưới hình ảnh để việc chọn và tìm kiếm hoạt động trong khi hình thức ban đầu vẫn hiển thị.
Cấu trúc trang
Một trình nhận dạng phải làm nhiều việc hơn là chỉ xác định các chữ cái. Nó cũng phải quyết định các dấu hiệu nào thuộc về nhau và người đọc nên di chuyển qua chúng như thế nào.
Phân tích bố cục
Xác định các vùng như đoạn văn, tiêu đề, hình ảnh và bảng. Việc nhận dạng các từ trong bảng và bảo toàn cấu trúc hàng và cột của nó là các tác vụ liên quan nhưng riêng biệt.
Thứ tự đọc
Trình tự văn bản dự kiến. Một bài báo hai cột thường nên đọc hết một cột trước khi tiếp tục sang cột tiếp theo, thay vì xen kẽ cả hai. Các từ đúng nhưng sai thứ tự có thể tạo ra một bản ghi không thể sử dụng được.
Phân đoạn
Chia một trang thành các đơn vị nhỏ hơn như vùng văn bản, dòng hoặc ký tự. Các ranh giới không chính xác có thể nối các từ lân cận, tách một ký tự hoặc trộn lẫn các phần không liên quan của một trang.
RTL — văn bản từ phải sang trái
Văn bản trong các hệ thống chữ viết như tiếng Ả Rập hoặc tiếng Do Thái thường chảy từ phải sang trái. Các con số và văn bản Latinh được nhúng có thể tuân theo các hướng khác nhau. Thứ tự hiển thị và thứ tự ký tự được lưu trữ không nhất thiết phải giống nhau.
Chuẩn bị hình ảnh
Việc chuẩn bị thay đổi cách các dấu hiệu hiện có được trình bày để nhận dạng. Nó không thể thiết lập văn bản mà hình ảnh nguồn không còn chứa.
PPI và DPI
Pixels per inch mô tả việc lấy mẫu hình ảnh ở kích thước vật lý; dots per inch mô tả mật độ điểm in. Các cài đặt quét thường sử dụng DPI một cách không chính thức. Chỉ thay đổi giá trị được lưu trữ không thêm chi tiết vào hình ảnh hiện có.
Deskew (Chỉnh thẳng)
Sửa một độ nghiêng nhỏ để các dòng văn bản trở nên nằm ngang hơn. Nó khác với việc xoay một trang bị ngược hoặc sửa phối cảnh của một bức ảnh được chụp ở một góc.
Binarization (Nhị phân hóa)
Chuyển đổi hình ảnh thành các pixel đen trắng bằng cách sử dụng ngưỡng hoặc quy tắc quyết định khác. Nó có thể đơn giản hóa một trang rõ ràng, nhưng cũng có thể làm mất các dấu hiệu mờ hoặc làm nhòe các nét gần đó.
Tiền xử lý
Các điều chỉnh hình ảnh được thực hiện trước khi nhận dạng, chẳng hạn như sửa hướng, cắt hoặc thay đổi độ tương phản. Một điều chỉnh hữu ích sẽ cải thiện các dấu hiệu có thể nhận dạng mà không xóa dấu câu, dấu phụ hoặc các chi tiết có ý nghĩa khác.
Nhận dạng và đánh giá
Một đánh giá mô tả một tác vụ và tập dữ liệu cụ thể. Hãy đọc định nghĩa về điểm số trước khi so sánh nó với kết quả khác hoặc sử dụng nó để đánh giá tài liệu của riêng bạn.
Nhận dạng chữ viết tay
Nhận dạng các ký tự hoặc từ viết tay. Các chữ cái được nối, các từ viết tắt cá nhân và các hình dạng cụ thể của người viết làm cho nó trở thành một thách thức khác so với văn bản in rõ ràng.
Điểm tin cậy
Một ước tính mà hệ thống nhận dạng có thể gắn vào một dự đoán. Ý nghĩa của nó phụ thuộc vào hệ thống và hiệu chuẩn. Nó không tự động là xác suất rằng toàn bộ tài liệu là chính xác.
CER — tỷ lệ lỗi ký tự
Sự so sánh văn bản được nhận dạng với một tài liệu tham khảo đã kiểm tra, dựa trên các ký tự được chèn, xóa và thay thế so với độ dài tham chiếu. Thấp hơn là tốt hơn. Một CER thấp vẫn có thể che giấu một lỗi quan trọng trong tên hoặc số.
WER — tỷ lệ lỗi từ
Một sự so sánh tương tự ở cấp độ từ. Một ký tự không chính xác có thể làm cho cả một từ bị tính là sai. Do đó, WER và CER mô tả các khía cạnh khác nhau của một bản ghi và không nên được coi là có thể thay thế cho nhau.
Ground truth (Sự thật cơ bản)
Tài liệu tham khảo đã kiểm tra được sử dụng để đánh giá nhận dạng. Các quy ước phiên âm của nó rất quan trọng: cách nó xử lý dấu câu, chính tả, khoảng trắng và văn bản không thể đọc được sẽ ảnh hưởng đến sự so sánh. Một tài liệu tham khảo sai sót có thể tạo ra một điểm số gây hiểu lầm.
Câu hỏi và câu trả lời
OCR có giống với dịch thuật không?
Không. OCR đọc văn bản hiển thị thành dạng có thể chỉnh sửa. Dịch thuật thể hiện văn bản bằng ngôn ngữ khác. Việc xem xét nhận dạng trước tiên giúp tránh dịch một nguồn bị đọc sai.
Tải xuống Word có phải là bản sao của bố cục gốc không?
Không nhất thiết. Một tài liệu có thể chỉnh sửa có thể chứa văn bản được nhận dạng mà không bảo toàn các bảng, khoảng cách hoặc thiết kế trang của nguồn. Hãy kiểm tra đầu ra so với bản gốc khi bố cục quan trọng.
Tại sao hai điểm số độ chính xác có thể không đồng nhất?
Chúng có thể sử dụng các tài liệu, quy ước tham chiếu hoặc phép đo khác nhau. Lỗi ký tự, lỗi từ, các vùng bị bỏ qua và các vấn đề về thứ tự đọc không phải là cùng một thứ.