Извлечь текст из изображения

Лучше всего работает чёткий печатный текст с высоким контрастом. Используйте резкий источник с достаточным разрешением для мелких символов, ровным освещением, ограниченным сжатием и страницей, сфотографированной как можно более плоско и прямо. Обрежьте посторонний фон и поверните текст вертикально перед извлечением. Очень низкое разрешение, смазанность движения, блики, тени, текстурированная бумага, изогнутые страницы, декоративные шрифты и агрессивное улучшение изображения могут сливать или ломать формы символов. Увеличение действительно низкоразрешённого источника может помочь видимости, но не может воссоздать детали, которые никогда не были захвачены.

Выбор языка определяет, какая модель распознавания и какие шаблоны символов ожидаются. Выбор английского для китайского, японского, корейского, арабского, вьетнамского или немецкого текста может дать правдоподобные, но неверные замены, поскольку ожидаемые алфавит, акценты, направление и шаблоны слов различаются. Выберите доминирующий язык, видимый на изображении. Если изображение смешивает несколько языков, извлеките наиболее важный раздел отдельно с соответствующим языком и внимательно сравните имена, числа, даты и технические термины, поскольку они получают меньше помощи от обычных языковых шаблонов.

OCR определяет текстовые области, а затем упорядочивает их по позициям. Многоколоночные статьи, таблицы, боковые панели, формы, подписи, вертикальный текст, изогнутые надписи, перекрывающиеся штампы и рукописные заметки могут сделать предполагаемую последовательность неоднозначной. Обрежьте независимые области и извлекайте их отдельно, когда порядок важен. После извлечения сравните результат с источником сверху вниз, восстановите разрывы абзацев и проверьте заголовки, строки таблиц, подписи, сноски и текст рядом с изображениями, а не предполагайте, что полный макет документа был восстановлен.

Нет. Этот инструмент возвращает редактируемый текст и обнаруженные области, а не воссоздание Word, электронной таблицы или поискового PDF исходного дизайна. Столбцы могут читаться в неожиданном порядке, ячейки таблиц могут терять связи строк и столбцов, а шрифт, цвет, интервалы, границы, изображения и элементы страницы не сохраняются как соответствующий макет. Используйте результат, чтобы избежать повторного набора, затем восстановите необходимую структуру в целевом приложении и сравните важные значения с источником, прежде чем полагаться на них.

Время зависит от размеров изображения, количества и размера текстовых областей, сложности макета, выбранного языка, поворота и ресурсов, необходимых для подготовки распознавания. Большая фотография с небольшим документом в центре может потребовать больше работы, давая при этом худший текст, чем плотно обрезанный скан. Используйте наименьшее чёткое изображение, сохраняющее нужные символы, обрезайте нерелевантные области и избегайте многократного увеличения уже резких источников. Держите страницу открытой, пока не появится результат или полезная ошибка.

Сравнивайте имена, даты, адреса, итоги, десятичные разделители, номера счетов, идентификаторы, пунктуацию и любые символы, где одна ошибка меняет смысл. Распространённые путаницы включают ноль и O, единицу и строчную l, похожую пунктуацию, буквы с диакритикой и визуально связанные символы в CJK или арабском письме. Проверяйте порядок строк и отсутствующий текст вокруг изображений или таблиц. Для юридических, финансовых, медицинских, академических или архивных материалов используйте вторую проверку по исходному изображению перед копированием результата в другую запись.