OCR steht für Optical Character Recognition. Dabei handelt es sich um die Technologie, die Textbilder – sei es ein Foto, ein gescanntes Dokument oder ein PDF ohne Textebene – in tatsächliche, maschinenlesbare Zeichen umwandelt. Wenn Sie verstehen, wie OCR funktioniert, können Sie bessere Ergebnisse erzielen und realistische Erwartungen darüber setzen, wo es erfolgreich ist und wo es nicht gelingt.
Was OCR tatsächlich bewirkt
Wenn Sie ein Dokument scannen oder ein Foto von einer Seite machen, ist das Ergebnis ein Rasterbild – ein Raster aus farbigen Pixeln. Der Text in diesem Bild sieht für Ihre Augen wie Text aus, für einen Computer ist er jedoch nur ein Muster aus dunklen und hellen Punkten ohne eigentliche Bedeutung. OCR-Software analysiert diese Pixelmuster, identifiziert Formen, die Zeichen in einem bekannten Alphabet entsprechen, und wandelt sie in Textzeichenfolgen um, die ein Computer speichern, durchsuchen und verarbeiten kann.
Die Ausgabe von OCR auf einer PDF-Datei ist in der Regel eine durchsuchbare PDF-Datei: eine Datei, die optisch mit dem Originalscan identisch aussieht, jetzt aber über eine unsichtbare Textebene hinter den Bildern eingebettet ist. Wenn Sie Strg+F drücken, um zu suchen, Text zu kopieren oder eine Suchmaschine aufzufordern, das Dokument zu indizieren, wird diese Textebene anstelle des sichtbaren Bildes verwendet.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Wie OCR-Software Zeichen erkennt
Moderne OCR-Engines nutzen eine Kombination aus Bildvorverarbeitung, Mustervergleich und maschinellem Lernen, um Zeichen zu identifizieren. Der Prozess verläuft typischerweise in mehreren Schritten:
- Vorverarbeitung: Das Bild wird bereinigt – die Schräglage wird korrigiert (Entzerrung), Rauschen wird entfernt, der Kontrast wird verbessert und das Bild wird möglicherweise binarisiert (in reines Schwarzweiß konvertiert), um Zeichen klarer hervorzuheben.
- Layout-Analyse: Die Software erkennt, wo sich Textblöcke, Spalten, Überschriften, Bilder und Tabellen auf der Seite befinden. Dies bestimmt die Lesereihenfolge und verhindert, dass die OCR-Engine Inhalte aus benachbarten Spalten vermischt.
- Zeichensegmentierung: Einzelne Zeichen werden voneinander und vom umgebenden Leerraum isoliert. Das ist schwieriger, als es sich anhört – Zeichen in kursiver Schrift, Zeichen in schlecht gedruckten Dokumenten können fragmentiert sein und Satzzeichen können mit verirrten Zeichen verwechselt werden.
- Zeichenerkennung: Jedes segmentierte Zeichen wird mit trainierten Modellen verglichen. Moderne OCR verwendet Deep-Learning-Modelle, die auf Millionen von Zeichenbeispielen in verschiedenen Schriftarten, Größen und Druckbedingungen trainiert werden.
- Kontextkorrektur: Die erkannten Zeichen werden anhand eines Sprachmodells überprüft. Eine Sequenz, die wie „hcllo“ aussieht ist eher „Hallo“ basierend auf der Worthäufigkeit – also korrigiert die Engine es. Dieser kontextbezogene Schritt verbessert die Genauigkeit bei mehrdeutigen Zeichen erheblich.
Was bestimmt die OCR-Genauigkeit
Der größte Faktor ist die Scanqualität. Die OCR-Genauigkeit nimmt stark ab, wenn das Quellbild verschwommen, niedrig aufgelöst, schlecht beleuchtet, schief ist oder einen dunklen oder gemusterten Hintergrund hat. Ein sauberer Scan mit 300 DPI und konstanter Beleuchtung führt zu Genauigkeitsraten von 95–99 % für standardmäßig gedruckten Text. Dasselbe Dokument, das mit 72 DPI auf einem Telefon bei schwachem Licht gescannt wird, kann eine Genauigkeit von 60–70 % liefern – genug, um das Wesentliche zu verstehen, aber nicht nützlich für eine präzise Textextraktion.
Auch die Auswahl der Sprache ist von großer Bedeutung. OCR-Engines werden auf bestimmte Sprachen und Zeichensätze trainiert. Das Ausführen eines arabischen Dokuments über eine für Englisch konfigurierte OCR-Engine führt zu schlechten Ergebnissen. Das OCR PDF-Tool von WukongPDF unterstützt mehrere Sprachmodelle – wählen Sie vor der Verarbeitung immer die richtige Sprache aus, um optimale Genauigkeit zu erzielen.
Die folgende Tabelle fasst die erwarteten Genauigkeitsbereiche für verschiedene Dokumenttypen und -bedingungen zusammen:
Dabei handelt es sich um typische Bereiche – die einzelnen Ergebnisse variieren je nach Dokument, Scangerät und verwendeter OCR-Engine.
OCR bei gescannten PDFs im Vergleich zu nativen digitalen PDFs
Es lohnt sich, ein häufiges Missverständnis aufzuklären: Nicht alle PDFs benötigen OCR. Ein PDF, das direkt aus einem Textverarbeitungsprogramm, einer Tabellenkalkulation oder einer Designanwendung erstellt wurde, enthält bereits eine Textebene – Zeichen werden als tatsächliche Textdaten und nicht als Pixel gespeichert. Sie können Text in diesen Dateien ohne OCR-Verarbeitung auswählen, kopieren und durchsuchen.
OCR ist nur für bildbasierte PDFs erforderlich: Dateien, die durch Scannen von Papierdokumenten erstellt wurden, PDFs, die aus Bilddateien exportiert wurden, oder PDFs, bei denen der Text während des Exportvorgangs in Konturen umgewandelt wurde. Ein schneller Test besteht darin, Text im PDF auszuwählen. Wenn Sie einzelne Wörter hervorheben können, ist die Textebene bereits vorhanden. Wenn sich Ihr Cursor in ein Fadenkreuz verwandelt oder Sie nur rechteckige Bereiche auswählen können, ist der Inhalt bildbasiert und durch OCR durchsuchbar.
| Dokumenttyp | OCR-Genauigkeit | Häufige Herausforderungen | Tipps |
|---|---|---|---|
| Sauber gedruckter Text | 95–99 % | Ähnliche Zeichen (0/O, l/1) | Verwenden Sie einen Scan mit 300 DPI oder höher |
| Maschinengeschriebene Dokumente | 90–97 % | Tintenverschlechterung, Farbbandlücken | Hoher Kontrast vor OCR |
| Handgeschriebener Text | 60–85 % | Unregelmäßige Buchstabenformen, Ligaturen | Spezielle Handschriftmodelle erforderlich |
| Scan mit niedriger Auflösung (unter 150 DPI) | 50–80 % | Verschwommene Zeichen, Pixelierung | Wenn möglich, erneut mit höherer DPI scannen |
| Nicht-lateinische Schriften (Arabisch, Chinesisch) | 85–95 % | Charakterkomplexität, Direktionalität | Wählen Sie in den OCR-Einstellungen die richtige Sprache aus |
| Komplexe Tabellen und Formulare | 80–92 % | Zellränder verschmelzen mit Text | Überprüfen Sie Tabellenbereiche manuell nach der OCR |
So wenden Sie OCR auf ein PDF an
Das OCR PDF-Tool von WukongPDF übernimmt den Vorgang im Browser. Laden Sie das gescannte PDF hoch, wählen Sie die Dokumentsprache aus und konvertieren Sie. Die Ausgabe ist eine durchsuchbare PDF-Datei mit einer eingebetteten Textebene – optisch identisch mit der Eingabe, jetzt jedoch vollständig durchsuchbar und mit Text auswählbar. Mehrseitige Dokumente werden in einem Arbeitsgang verarbeitet.
Für höchste Genauigkeit bei wichtigen Dokumenten scannen Sie mit 300 DPI oder höher, verwenden Sie eine gleichmäßige Beleuchtung ohne Schatten und stellen Sie vor dem Scannen sicher, dass die Seite flach und gerade ist. Je sauberer das Eingabebild, desto besser die OCR-Ausgabe – die Vorverarbeitung des Scans vor der Ausführung der OCR zahlt sich immer bei Dokumenten aus, bei denen es auf Genauigkeit ankommt.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.