OCR означает оптическое распознавание символов. Это технология, которая преобразует изображения текста — будь то фотография, отсканированный документ или PDF-файл без текстового слоя — в реальные машиночитаемые символы. Понимание того, как работает распознавание текста, поможет вам добиться от него лучших результатов и установить реалистичные ожидания относительно того, в чем оно преуспевает, а где нет.
Что на самом деле делает OCR
Когда вы сканируете документ или фотографируете страницу, в результате получается растровое изображение — сетка цветных пикселей. Текст на этом изображении выглядит как текст для ваших глаз, но для компьютера это просто узор из темных и светлых точек, не имеющий никакого смысла. Программное обеспечение OCR анализирует эти шаблоны пикселей, определяет формы, соответствующие символам известного алфавита, и преобразует их в текстовые строки, которые компьютер может хранить, искать и обрабатывать.
Результатом оптического распознавания текста в PDF-файле обычно является PDF-файл с возможностью поиска: файл, который выглядит визуально идентично исходному отсканированному файлу, но теперь имеет невидимый текстовый слой, встроенный за изображениями. Когда вы нажимаете Ctrl+F для поиска, копирования текста или запроса поисковой системы проиндексировать документ, она использует этот текстовый слой, а не видимое изображение.
Попробуйте распознавание PDF-файлов
Никакой установки не требуется. Работает прямо в вашем браузере.
Как программа OCR распознает символы
Современные механизмы оптического распознавания символов используют комбинацию предварительной обработки изображений, сопоставления с образцом и машинного обучения для идентификации символов. Обычно процесс проходит в несколько этапов:
- Предварительная обработка: изображение очищается — корректируется перекос (устранение перекоса), удаляется шум, повышается контрастность, а изображение может быть бинаризировано (преобразовано в чисто черно-белое), чтобы символы выделялись более четко.
- Анализ макета: программное обеспечение определяет, где на странице находятся текстовые блоки, столбцы, заголовки, изображения и таблицы. Это определяет порядок чтения и предотвращает смешивание содержимого соседних столбцов механизмом OCR.
- Сегментация символов: отдельные символы изолированы друг от друга и от окружающего белого пространства. Это сложнее, чем кажется: символы в рукописном письме соприкасаются, символы в плохо напечатанных документах могут быть фрагментированными, а знаки препинания можно принять за случайные знаки.
- Распознавание символов: каждый сегментированный символ сравнивается с обученными моделями. Современное OCR использует модели глубокого обучения, обученные на миллионах примеров символов разных шрифтов, размеров и условий печати.
- Контекстная коррекция: распознанные символы проверяются по языковой модели. Последовательность, которая выглядит как "hcllo" скорее всего, это будет «привет»; на основе частоты слов — поэтому движок это исправляет. Этот контекстный шаг значительно повышает точность неоднозначных символов.
Что определяет точность оптического распознавания текста
Самый важный фактор — качество сканирования. Точность оптического распознавания резко падает, если исходное изображение размыто, имеет низкое разрешение, плохо освещено, перекошено под углом или имеет темный или узорчатый фон. Чистое сканирование с разрешением 300 точек на дюйм при постоянном освещении обеспечивает точность стандартного печатного текста 95–99%. Тот же документ, отсканированный с разрешением 72 DPI на телефоне при тусклом освещении, может обеспечить точность 60–70 % — этого достаточно, чтобы уловить суть, но бесполезно для точного извлечения текста.
Выбор языка также имеет большое значение. Механизмы OCR обучены работе с конкретными языками и наборами символов. Запуск арабского документа через механизм оптического распознавания символов, настроенный для английского языка, дает плохие результаты. Инструмент OCR PDF WukongPDF поддерживает несколько языковых моделей — всегда выбирайте правильный язык перед обработкой для достижения оптимальной точности.
В таблице ниже приведены ожидаемые диапазоны точности для различных типов документов и условий:
Это типичные диапазоны — отдельные результаты различаются в зависимости от конкретного документа, оборудования сканирования и используемого механизма оптического распознавания символов.
OCR для отсканированных PDF-файлов и исходных цифровых PDF-файлов
Стоит прояснить распространенное заблуждение: не все PDF-файлы нуждаются в распознавании текста. PDF-файл, созданный непосредственно из текстового процессора, электронной таблицы или приложения для дизайна, уже содержит текстовый слой — символы сохраняются как фактические текстовые данные, а не как пиксели. Вы можете выбирать, копировать и искать текст в этих файлах без какой-либо обработки OCR.
OCR требуется только для PDF-файлов на основе изображений: файлов, созданных путем сканирования бумажных документов, PDF-файлов, экспортированных из файлов изображений, или PDF-файлов, в которых текст был преобразован в контуры в процессе экспорта. Быстрый тест — попробуйте выделить текст в PDF-файле: если вы можете выделить отдельные слова, текстовый слой уже присутствует. Если курсор изменится на перекрестие или вы сможете выбирать только прямоугольные области, содержимое основано на изображении, и OCR сделает его доступным для поиска.
| Тип документа | Точность OCR | Общие проблемы | Советы |
|---|---|---|---|
| Чистый печатный текст | 95–99% | Похожие персонажи (0/O, l/1) | Используйте сканирование с разрешением 300 DPI или выше. |
| Машинописные документы | 90–97% | Деградация чернил, разрывы ленты | Высокий контраст перед распознаванием символов |
| Рукописный текст | 60–85% | Неправильные формы букв, лигатуры | Нужны специализированные модели почерка. |
| Сканирование с низким разрешением (менее 150 точек на дюйм) | 50–80% | Размытые персонажи, пикселизация. | Если возможно, повторите сканирование с более высоким разрешением. |
| Нелатинские сценарии (арабский, китайский) | 85–95% | Сложность характера, направленность | Выберите правильный язык в настройках OCR |
| Сложные таблицы и формы | 80–92% | Границы ячеек сливаются с текстом | Просмотрите области таблицы вручную после OCR |
Как применить распознавание текста к PDF-файлу
Инструмент OCR PDF WukongPDF обрабатывает этот процесс в браузере. Загрузите отсканированный PDF-файл, выберите язык документа и конвертируйте. Выходной файл представляет собой PDF-файл с возможностью поиска со встроенным текстовым слоем, визуально идентичный входному, но теперь полностью доступный для поиска и выбора текста. Многостраничные документы обрабатываются за одну операцию.
Для максимальной точности важных документов сканируйте с разрешением 300 точек на дюйм или выше, используйте равномерное освещение без теней и перед сканированием убедитесь, что страница плоская и прямая. Чем чище входное изображение, тем лучше результат распознавания — предварительная обработка сканирования перед запуском распознавания всегда окупается для документов, где точность имеет значение.
Попробуйте распознавание PDF-файлов
Никакой установки не требуется. Работает прямо в вашем браузере.