OCR oznacza optyczne rozpoznawanie znaków. Jest to technologia, która przekształca obrazy tekstu — czy to na fotografii, w zeskanowanym dokumencie, czy w pliku PDF bez warstwy tekstowej — na rzeczywiste znaki nadające się do odczytu maszynowego. Zrozumienie, jak działa OCR, pomoże Ci uzyskać lepsze wyniki i ustalić realistyczne oczekiwania co do tego, gdzie się powiedzie, a gdzie nie.
Co właściwie robi OCR
Wynikiem skanowania dokumentu lub zdjęcia strony jest obraz rastrowy — siatka kolorowych pikseli. Tekst na tym obrazie w twoich oczach wygląda jak tekst, ale dla komputera jest to po prostu wzór ciemnych i jasnych kropek bez żadnego wewnętrznego znaczenia. Oprogramowanie OCR analizuje te wzory pikseli, identyfikuje kształty odpowiadające znakom znanego alfabetu i konwertuje je na ciągi tekstowe, które komputer może przechowywać, wyszukiwać i przetwarzać.
Wynikiem OCR w pliku PDF jest zazwyczaj plik PDF z możliwością przeszukiwania: plik, który wizualnie wygląda identycznie jak oryginalny skan, ale teraz ma niewidoczną warstwę tekstową osadzoną za obrazami. Gdy naciśniesz Ctrl+F, aby wyszukać, skopiować tekst lub poprosić wyszukiwarkę o zindeksowanie dokumentu, zostanie użyta ta warstwa tekstowa, a nie widoczny obraz.
Jak oprogramowanie OCR rozpoznaje znaki
Nowoczesne silniki OCR wykorzystują kombinację wstępnego przetwarzania obrazu, dopasowywania wzorców i uczenia maszynowego w celu identyfikacji znaków. Proces ten zazwyczaj przebiega w kilku etapach:
- Przetwarzanie wstępne: obraz jest oczyszczany — korygowany jest przekrzywienie (wygładzanie), usuwane są szumy, zwiększany kontrast, a obraz można poddać binaryzacji (przekonwertować na czystą czerń i biel), aby znaki były wyraźniejsze.
- Analiza układu: oprogramowanie identyfikuje, gdzie na stronie znajdują się bloki tekstu, kolumny, nagłówki, obrazy i tabele. Określa to kolejność odczytu i zapobiega mieszaniu przez silnik OCR treści z sąsiednich kolumn.
- Segmentacja znaków: Poszczególne znaki są izolowane od siebie i od otaczającej białej przestrzeni. Jest to trudniejsze, niż się wydaje — znaki pisane kursywą, znaki w źle wydrukowanych dokumentach mogą być fragmentaryczne, a znaki interpunkcyjne można pomylić z zabłąkanymi znakami.
- Rozpoznawanie znaków: każdy posegmentowany znak jest porównywany z wytrenowanymi modelami. Nowoczesny OCR wykorzystuje modele głębokiego uczenia się wyszkolone na milionach przykładów znaków o różnych czcionkach, rozmiarach i warunkach drukowania.
- Korekta kontekstowa: Rozpoznane znaki są sprawdzane w oparciu o model językowy. Sekwencja wyglądająca jak „hcllo” częściej brzmi „cześć” na podstawie częstotliwości słów — więc silnik to koryguje. Ten krok kontekstowy znacznie poprawia dokładność w przypadku niejednoznacznych znaków.
Co decyduje o dokładności OCR
Najważniejszym czynnikiem jest jakość skanowania. Dokładność rozpoznawania OCR gwałtownie spada, gdy obraz źródłowy jest rozmazany, o niskiej rozdzielczości, słabo oświetlony, przekrzywiony pod kątem lub ma ciemne lub wzorzyste tło. Czysty skan w rozdzielczości 300 DPI przy stałym oświetleniu zapewnia dokładność na poziomie 95–99% w przypadku standardowego drukowanego tekstu. Ten sam dokument zeskanowany telefonem w rozdzielczości 72 DPI przy słabym oświetleniu może zapewnić dokładność na poziomie 60–70% — wystarczającą do zrozumienia istoty tekstu, ale nieprzydatną do precyzyjnego wyodrębniania tekstu.
Wybór języka również ma znaczenie. Silniki OCR są szkolone w zakresie określonych języków i zestawów znaków. Uruchomienie dokumentu w języku arabskim za pomocą silnika OCR skonfigurowanego dla języka angielskiego daje słabe wyniki. Narzędzie OCR PDF WukongPDF obsługuje wiele modeli językowych — zawsze wybieraj właściwy język przed przetwarzaniem, aby uzyskać optymalną dokładność.
Poniższa tabela podsumowuje oczekiwane zakresy dokładności dla różnych typów dokumentów i warunków:
Są to typowe zakresy — poszczególne wyniki różnią się w zależności od konkretnego dokumentu, sprzętu skanującego i użytego silnika OCR.
OCR w zeskanowanych plikach PDF a natywne cyfrowe pliki PDF
Warto wyjaśnić powszechne błędne przekonanie: nie wszystkie pliki PDF wymagają OCR. Plik PDF utworzony bezpośrednio w edytorze tekstu, arkuszu kalkulacyjnym lub aplikacji do projektowania zawiera już warstwę tekstową — znaki są przechowywane jako rzeczywiste dane tekstowe, a nie piksele. Możesz zaznaczać, kopiować i wyszukiwać tekst w tych plikach bez przetwarzania OCR.
OCR jest potrzebny tylko w przypadku plików PDF zawierających obrazy: plików utworzonych przez skanowanie dokumentów papierowych, plików PDF wyeksportowanych z plików obrazów lub plików PDF, w których tekst został przekonwertowany na kontury podczas procesu eksportu. Szybki test polega na zaznaczeniu tekstu w pliku PDF — jeśli możesz wyróżnić poszczególne słowa, oznacza to, że warstwa tekstowa już istnieje. Jeśli kursor zmieni się w krzyżyk lub możesz wybrać tylko regiony prostokątne, zawartość będzie oparta na obrazie, a OCR umożliwi jej przeszukiwanie.
| Typ dokumentu | Dokładność OCR | Typowe wyzwania | Wskazówki |
|---|---|---|---|
| Czysty wydrukowany tekst | 95–99% | Znaki podobne (0/O, l/1) | Użyj skanowania w rozdzielczości 300 DPI lub wyższej |
| Dokumenty pisane na maszynie | 90–97% | Degradacja atramentu, przerwy w taśmie | Wysoki kontrast przed OCR |
| Odręczny tekst | 60–85% | Nieregularne formy liter, ligatury | Potrzebne są specjalistyczne modele pisma ręcznego |
| Skan w niskiej rozdzielczości (poniżej 150 DPI) | 50–80% | Rozmazane znaki, pikselacja | Jeśli to możliwe, przeskanuj ponownie przy wyższej rozdzielczości DPI |
| Pismo inne niż łacińskie (arabski, chiński) | 85–95% | Złożoność postaci, kierunkowość | Wybierz właściwy język w ustawieniach OCR |
| Złożone tabele i formularze | 80–92% | Granice komórek łączą się z tekstem | Przejrzyj ręcznie obszary tabeli po OCR |
Jak zastosować OCR do pliku PDF
Narzędzie WukongPDF OCR PDF obsługuje ten proces w przeglądarce. Prześlij zeskanowany plik PDF, wybierz język dokumentu i przekonwertuj. Wynikiem jest plik PDF z możliwością przeszukiwania, z osadzoną warstwą tekstową — wizualnie identyczny z plikiem wejściowym, ale teraz z możliwością pełnego przeszukiwania i wybierania tekstu. Dokumenty wielostronicowe przetwarzane są w jednej operacji.
Aby uzyskać najwyższą dokładność ważnych dokumentów, skanuj z rozdzielczością 300 DPI lub wyższą, używaj równomiernego oświetlenia bez cieni i przed skanowaniem upewnij się, że strona jest płaska i prosta. Im czystszy obraz wejściowy, tym lepszy wynik OCR — wstępne przetwarzanie skanu przed uruchomieniem OCR zawsze się opłaca w przypadku dokumentów, w których liczy się dokładność.