OCR staat voor Optical Character Recognition. Het is de technologie die afbeeldingen van tekst – of het nu een foto, een gescand document of een PDF zonder tekstlaag betreft – omzet in daadwerkelijke, machinaal leesbare tekens. Als u begrijpt hoe OCR werkt, kunt u er betere resultaten mee behalen en realistische verwachtingen scheppen over waar het slaagt en waar het tekortschiet.
Wat OCR feitelijk doet
Wanneer u een document scant of een foto van een pagina maakt, is het resultaat een rasterafbeelding: een raster van gekleurde pixels. De tekst in die afbeelding ziet er in jouw ogen uit als tekst, maar voor een computer is het slechts een patroon van donkere en lichte stippen zonder inherente betekenis. OCR-software analyseert deze pixelpatronen, identificeert vormen die overeenkomen met tekens in een bekend alfabet en zet deze om in tekstreeksen die een computer kan opslaan, doorzoeken en verwerken.
De uitvoer van OCR op een PDF is doorgaans een doorzoekbare PDF: een bestand dat er visueel identiek uitziet aan de originele scan, maar nu een onzichtbare tekstlaag achter de afbeeldingen heeft. Wanneer u op Ctrl+F drukt om te zoeken, tekst te kopiëren of een zoekmachine te vragen het document te indexeren, wordt deze tekstlaag gebruikt in plaats van de zichtbare afbeelding.
Hoe OCR-software tekens herkent
Moderne OCR-engines gebruiken een combinatie van beeldvoorverwerking, patroonmatching en machine learning om karakters te identificeren. Het proces verloopt doorgaans in verschillende fasen:
- Voorbewerking: De afbeelding wordt opgeschoond: scheefheid wordt gecorrigeerd (rechtzetten), ruis wordt verwijderd, het contrast wordt verbeterd en de afbeelding kan worden gebinariseerd (geconverteerd naar puur zwart-wit) om karakters duidelijker te laten opvallen.
- Lay-outanalyse: De software identificeert waar tekstblokken, kolommen, kopteksten, afbeeldingen en tabellen zich op de pagina bevinden. Dit bepaalt de leesvolgorde en voorkomt dat de OCR-engine inhoud uit aangrenzende kolommen mengt.
- Karaktersegmentatie: Individuele karakters zijn geïsoleerd van elkaar en van de omringende witte ruimte. Dit is moeilijker dan het klinkt: tekens in cursief schrift raken elkaar aan, tekens in slecht gedrukte documenten kunnen gefragmenteerd zijn en interpunctie kan worden aangezien voor losse tekens.
- Karakterherkenning: Elk gesegmenteerd karakter wordt vergeleken met getrainde modellen. Moderne OCR maakt gebruik van deep learning-modellen die zijn getraind op basis van miljoenen tekenvoorbeelden in verschillende lettertypen, formaten en afdrukomstandigheden.
- Contextuele correctie: De herkende karakters worden gecontroleerd aan de hand van een taalmodel. Een reeks die lijkt op "hcllo" is waarschijnlijker 'hallo'; gebaseerd op woordfrequentie - zodat de engine dit corrigeert. Deze contextuele stap verbetert de nauwkeurigheid van dubbelzinnige karakters aanzienlijk.
Wat de OCR-nauwkeurigheid bepaalt
De grootste factor is de scankwaliteit. De OCR-nauwkeurigheid neemt sterk af als de bronafbeelding wazig is, een lage resolutie heeft, slecht verlicht is, schuin staat of een donkere achtergrond of een patroonachtergrond heeft. Een schone scan bij 300 DPI onder consistente verlichting produceert nauwkeurigheidspercentages van 95–99% voor standaard afgedrukte tekst. Hetzelfde document dat met 72 DPI op een telefoon bij weinig licht wordt gescand, kan een nauwkeurigheid van 60-70% opleveren – voldoende om de essentie te begrijpen, maar niet bruikbaar voor nauwkeurige tekstextractie.
Taalkeuze is ook van groot belang. OCR-engines zijn getraind op specifieke talen en tekensets. Het uitvoeren van een Arabisch document via een OCR-engine die is geconfigureerd voor Engels levert slechte resultaten op. De OCR PDF-tool van WukongPDF ondersteunt meerdere taalmodellen: selecteer altijd de juiste taal vóór verwerking voor optimale nauwkeurigheid.
De onderstaande tabel geeft een overzicht van de verwachte nauwkeurigheidsbereiken voor verschillende documenttypen en omstandigheden:
Dit zijn typische bereiken; individuele resultaten variëren afhankelijk van het specifieke document, de scanapparatuur en de gebruikte OCR-engine.
OCR op gescande PDF's versus native digitale PDF's
Het is de moeite waard om een veel voorkomende misvatting op te helderen: niet alle PDF's hebben OCR nodig. Een PDF die rechtstreeks vanuit een tekstverwerker, spreadsheet of ontwerpprogramma is gemaakt, bevat al een tekstlaag: tekens worden opgeslagen als daadwerkelijke tekstgegevens, niet als pixels. U kunt tekst in deze bestanden selecteren, kopiëren en doorzoeken zonder enige OCR-verwerking.
OCR is alleen nodig voor op afbeeldingen gebaseerde PDF's: bestanden die zijn gemaakt door het scannen van papieren documenten, PDF's die zijn geëxporteerd uit afbeeldingsbestanden of PDF's waarbij de tekst tijdens het exportproces naar contouren is geconverteerd. Een snelle test is om te proberen tekst in de PDF te selecteren. Als u afzonderlijke woorden kunt markeren, is de tekstlaag al aanwezig. Als uw cursor verandert in een draadkruis of als u alleen rechthoekige gebieden kunt selecteren, is de inhoud op afbeeldingen gebaseerd en maakt OCR deze doorzoekbaar.
| Documenttype | OCR-nauwkeurigheid | Gemeenschappelijke uitdagingen | Tips |
|---|---|---|---|
| Schone gedrukte tekst | 95-99% | Gelijksoortige karakters (0/O, l/1) | Gebruik een scan van 300 DPI of hoger |
| Getypte documenten | 90-97% | Verslechtering van de inkt, gaten in het lint | Hoog contrast vóór OCR |
| Handgeschreven tekst | 60-85% | Onregelmatige lettervormen, ligaturen | Gespecialiseerde handschriftmodellen nodig |
| Scannen met lage resolutie (minder dan 150 DPI) | 50-80% | Wazige karakters, pixelvorming | Scan indien mogelijk opnieuw met een hogere DPI |
| Niet-Latijnse schriften (Arabisch, Chinees) | 85-95% | Karaktercomplexiteit, directionaliteit | Selecteer de juiste taal in de OCR-instellingen |
| Complexe tabellen en formulieren | 80-92% | Celranden versmelten met tekst | Controleer tabelgebieden handmatig na OCR |
OCR toepassen op een PDF
De tool OCR PDF van WukongPDF regelt het proces in de browser. Upload de gescande PDF, selecteer de documenttaal en converteer. De uitvoer is een doorzoekbare PDF met een ingesloten tekstlaag – visueel identiek aan de invoer, maar nu volledig doorzoekbaar en tekstselecteerbaar. Documenten met meerdere pagina's worden in één handeling verwerkt.
Voor de hoogste nauwkeurigheid van belangrijke documenten scant u met 300 DPI of hoger, gebruikt u gelijkmatige verlichting zonder schaduwen en zorgt u ervoor dat de pagina vlak en recht is voordat u gaat scannen. Hoe schoner het invoerbeeld, hoe beter de OCR-uitvoer. Het voorbewerken van de scan voordat OCR wordt uitgevoerd, loont altijd bij documenten waarbij nauwkeurigheid van belang is.