OCR sta per riconoscimento ottico dei caratteri. È la tecnologia che legge il testo dalle immagini, inclusi documenti scansionati, fotografie di pagine e PDF di sole immagini, e converte ciò che vede in dati di testo effettivi che i computer possono elaborare. Se hai mai scansionato un documento e ti sei chiesto perché non puoi cercare o copiare il testo, OCR è la soluzione.
Il problema risolto dall'OCR
Quando si esegue la scansione di un documento, lo scanner cattura una fotografia della pagina. Per un computer, questa fotografia non è altro che pixel: punti colorati disposti su una griglia. Le parole che puoi vedere nell'immagine non esistono come testo dal punto di vista del computer. Non può cercarli, copiarli, tradurli o leggerli ad alta voce.
L’OCR colma questa lacuna. Analizza i modelli di pixel nell'immagine, identifica le forme che corrispondono a lettere e numeri e converte tali forme in caratteri di testo effettivi. Dopo l'elaborazione OCR PDF, il documento presenta due livelli: l'immagine originale (che sembra ancora esattamente la stessa) e un livello di testo nascosto che il computer può leggere, cercare ed elaborare.
Come funziona effettivamente l'OCR
I moderni sistemi OCR utilizzano modelli di apprendimento automatico addestrati su milioni di immagini di documenti. Durante l'elaborazione di una pagina, il sistema attraversa diverse fasi:
- Preelaborazione dell'immagine: l'immagine viene ripulita: raddrizzata se è inclinata, il contrasto viene migliorato, il rumore viene ridotto. Un'immagine più pulita produce un riconoscimento più accurato.
- Analisi del layout: il sistema identifica la struttura della pagina: dove sono i blocchi di testo, dove sono le immagini, l'ordine di lettura, i limiti delle colonne, le celle della tabella.
- Riconoscimento dei caratteri: il modello analizza la forma di ogni carattere e assegna la lettera, il numero o il simbolo più probabile. Considera il contesto: "tHe" è più probabile che sia "il" - per migliorare la precisione.
- Creazione del livello di testo: i caratteri riconosciuti vengono assemblati in parole e frasi, posizionati per allinearsi con l'immagine originale e incorporati nel PDF come livello di testo ricercabile.
Che cosa influenza la precisione dell'OCR
La precisione dell'OCR varia considerevolmente a seconda della qualità dell'immagine sorgente e del contenuto riconosciuto:
- Risoluzione di scansione: DPI più alti produce bordi dei caratteri più puliti e un migliore riconoscimento. 300 DPI è il minimo consigliato per un OCR affidabile. Le immagini inferiori a 150 DPI spesso producono errori significativi.
- Tipo di carattere: i caratteri stampati standard nei caratteri tipografici comuni (Times, Arial, Helvetica) sono riconosciuti con elevata precisione. I caratteri decorativi, i caratteri insoliti e il testo molto piccolo producono più errori.
- Condizione del documento: carta ingiallita, inchiostro scolorito, sbavature, scansione distorta e ombre sono tutti fattori che riducono la qualità del riconoscimento. Una scansione pulita, diritta e ad alto contrasto produce i migliori risultati.
- Lingua: le lingue comuni (inglese, spagnolo, francese, tedesco, cinese, giapponese) hanno dati di addestramento estesi ed elevata precisione. Lingue e scritture meno comuni potrebbero contenere più errori.
- Scrittura: L'OCR sul testo stampato è estremamente accurato. Il riconoscimento della grafia è un problema diverso e più difficile: la precisione varia notevolmente in base allo stile di grafia e al modello specifico utilizzato.
Come appare il risultato
Dopo l'OCR, il PDF appare identico a prima: l'immagine scansionata originale è rimasta invariata. La differenza è invisibile all'occhio ma significativa nella funzione. Il documento ora ha un livello di testo nascosto allineato con l'immagine. Quando cerchi una parola, lo spettatore la trova nel livello testo e la evidenzia nell'immagine. Quando selezioni e copi il testo, stai copiando dal livello testo. Quando un'utilità per la lettura dello schermo annuncia il contenuto, legge il livello di testo.
Il livello dell'immagine e il livello del testo sono separati: l'OCR non altera in alcun modo la scansione originale. Se l'OCR ha commesso errori, l'immagine mostra comunque il testo originale corretto; solo il livello di testo nascosto contiene l'errore.
Come applicare l'OCR a un PDF
Lo strumento OCR PDF di WukongPDF presso www.wukongpdf.com gestisce questa operazione senza bisogno di software desktop: carica il PDF scansionato, seleziona la lingua del documento per una maggiore precisione, elabora e scarica il risultato ricercabile. L'operazione richiede in genere 10-30 secondi per un documento standard.
Adobe Acrobat Pro dispone di una funzione OCR incorporata (Strumenti > Migliora scansioni > Riconosci testo) con opzioni aggiuntive per il controllo della qualità del riconoscimento e la gestione di documenti multipagina. Per le organizzazioni che elaborano grandi volumi di documenti scansionati, la funzionalità OCR batch di Acrobat elabora automaticamente intere cartelle di file.