Trích xuất chữ từ hình ảnh

Văn bản in rõ ràng, có độ tương phản cao hoạt động tốt nhất. Sử dụng nguồn sắc nét có đủ pixel cho các ký tự nhỏ, ánh sáng đồng đều, độ nén hạn chế và trang được chụp phẳng và thẳng nhất có thể. Cắt các nền không liên quan và xoay văn bản thẳng đứng trước khi trích xuất. Độ phân giải rất thấp, chuyển động mờ, chói, bóng, giấy có họa tiết, trang cong, phông chữ trang trí và cải tiến hình ảnh mạnh mẽ có thể hợp nhất hoặc phá vỡ hình dạng ký tự. Việc phóng to nguồn có độ phân giải thực sự thấp có thể giúp hiển thị nhưng không thể tạo lại chi tiết chưa từng được chụp.

Lựa chọn ngôn ngữ xác định mô hình nhận dạng và mẫu ký tự nào được mong đợi. Việc chọn tiếng Anh cho văn bản tiếng Trung, tiếng Nhật, tiếng Hàn, tiếng Ả Rập, tiếng Việt hoặc tiếng Đức có thể tạo ra sự thay thế hợp lý nhưng không chính xác vì bảng chữ cái, trọng âm, hướng và mẫu từ dự kiến ​​sẽ khác nhau. Chọn ngôn ngữ chủ đạo hiển thị trong hình ảnh. Khi một hình ảnh kết hợp nhiều ngôn ngữ, hãy trích xuất phần quan trọng nhất bằng ngôn ngữ phù hợp và so sánh cẩn thận tên, số, ngày tháng và thuật ngữ kỹ thuật vì chúng nhận được ít trợ giúp hơn từ các mẫu ngôn ngữ thông thường.

OCR xác định các vùng văn bản và sau đó sắp xếp chúng theo vị trí của chúng. Các bài viết nhiều cột, bảng, thanh bên, biểu mẫu, chú thích, văn bản dọc, nhãn cong, tem chồng chéo và ghi chú viết tay có thể làm cho trình tự dự định trở nên mơ hồ. Cắt các vùng độc lập và trích xuất chúng một cách riêng biệt khi có vấn đề về thứ tự. Sau khi trích xuất, hãy so sánh kết quả với nguồn từ trên xuống dưới, khôi phục ngắt đoạn và xác minh tiêu đề, hàng trong bảng, nhãn, chú thích cuối trang và văn bản nằm bên cạnh hình ảnh thay vì giả sử bố cục tài liệu hoàn chỉnh đã được xây dựng lại.

Không. Công cụ này trả về văn bản có thể chỉnh sửa và các vùng được phát hiện, không phải Word, bảng tính hoặc bản tái tạo PDF có thể tìm kiếm của thiết kế ban đầu. Các cột có thể được đọc theo thứ tự không mong muốn, các ô trong bảng có thể mất mối quan hệ hàng và cột, đồng thời phông chữ, màu sắc, khoảng cách, đường viền, hình ảnh và nội dung trang không được giữ nguyên dưới dạng bố cục phù hợp. Sử dụng kết quả để tránh phải gõ lại, sau đó xây dựng lại cấu trúc cần thiết trong ứng dụng đích và so sánh các giá trị quan trọng với nguồn trước khi dựa vào chúng.

Thời gian phụ thuộc vào kích thước hình ảnh, số lượng và kích thước của vùng văn bản, độ phức tạp của bố cục, ngôn ngữ được chọn, cách xoay và các tài nguyên cần thiết để chuẩn bị nhận dạng. Một bức ảnh lớn với một tài liệu nhỏ ở giữa có thể đòi hỏi nhiều thao tác hơn trong khi vẫn tạo ra văn bản kém hơn so với một bản quét bị cắt xén chặt chẽ. Sử dụng hình ảnh rõ ràng nhỏ nhất để giữ lại các ký tự cần thiết, cắt các vùng không liên quan và tránh phóng to nhiều lần các nguồn vốn đã sắc nét. Giữ trang mở cho đến khi xuất hiện kết quả hoặc lỗi hữu ích.

So sánh tên, ngày tháng, địa chỉ, tổng số, dấu phân cách thập phân, số tài khoản, số nhận dạng, dấu câu và bất kỳ ký tự nào mà một lỗi duy nhất sẽ thay đổi ý nghĩa. Những nhầm lẫn phổ biến bao gồm số 0 và O, một và chữ l thường, dấu câu tương tự, chữ cái có dấu và các ký tự có liên quan trực quan trong chữ viết CJK hoặc tiếng Ả Rập. Xem lại thứ tự dòng và văn bản bị thiếu xung quanh hình ảnh hoặc bảng. Đối với tài liệu pháp lý, tài chính, y tế, học thuật hoặc lưu trữ, hãy sử dụng bản đánh giá thứ hai đối với hình ảnh gốc trước khi sao chép kết quả vào bản ghi khác.