Kaip išgauti tekstą iš nuotraukos ar ekrano kopijos (OCR)

Kas yra OCR

OCR (angl. optical character recognition) yra technologija, kuri paveikslėlyje ieško raidžių formų ir paverčia jas tikru tekstu. Kompiuteriui nuotrauka yra tik pikselių rinkinys, todėl be OCR tekstą pažymėti, nukopijuoti ar jame paieškoti neįmanoma.

Rezultatas nėra stebuklas: programa kiekvieną simbolį nuspėja pagal formą ir kalbos žodyną. Todėl aiški, gerai apšviesta nuotrauka duoda daug geresnį rezultatą nei sukrypusi ir neryški.

Kaip išgauti tekstą žingsnis po žingsnio

• Atidarykite įrankį „Nuotrauka į tekstą“ ir pasirinkite paveikslėlį (JPG, PNG, WebP ar panašų).
• Pasirinkite dokumento kalbą. Lietuviški tekstai su raidėmis ą, č, ę, ė, į, š, ų, ū, ž atpažįstami tiksliau, kai kalba nurodyta teisingai.
• Paleiskite atpažinimą ir palaukite: pirmą kartą gali reikėti atsisiųsti kalbos duomenis, todėl užtrunka ilgiau.
• Peržiūrėkite rezultatą ir pataisykite klaidas, ypač skaičius, datas, pavardes ir sumas.
• Nukopijuokite tekstą arba išsaugokite jį faile.

Kaip paruošti nuotrauką geresniam rezultatui

Tikslumą labiausiai lemia šaltinio kokybė. Keli paprasti veiksmai dažnai pagerina rezultatą labiau nei bet kuris nustatymas.

• Fotografuokite tiesiai iš viršaus, kad eilutės nebūtų pasvirusios ar iškraipytos.
• Pasirūpinkite vienodu apšvietimu be šešėlių ir blykstės atspindžių.
• Raidės turi būti pakankamai didelės: jei vaizdas labai mažas, padidinkite jį prieš atpažinimą, o per didelį sumažinkite, kad darbas vyktų greičiau.
• Apkarpykite nereikalingus kraštus, kad tekstas aiškiai išsiskirtų iš fono.
• Ekrano kopijas išsaugokite PNG, o ne stipriai suspaustu JPG: artefaktai aplink raides klaidina atpažinimą.

Kas atpažįstama gerai, o kas blogai

Kur OCR naudingiausias

Dažniausi pavyzdžiai: kvitų ir sąskaitų duomenys, kuriuos reikia perkelti į skaičiuoklę, ištraukos iš nuskaitytų knygų ar straipsnių, tekstas iš skaidrių ar ekrano kopijų, kurį norite pacituoti, bei senų dokumentų nuotraukos, kurias norite padaryti paieškomas.

Jei reikia kelių puslapių, geriausia apdoroti juos po vieną ir rezultatus sujungti rankiniu būdu. Atkreipkite dėmesį į lenteles: OCR dažnai teisingai perskaito pačius žodžius, bet sulaužo stulpelių struktūrą, todėl lentelių duomenis tenka sutvarkyti ranka.

Privatumas

Nuotraukose dažnai būna jautrių duomenų: asmens kodai, sąskaitų numeriai, sveikatos pažymos. Daugelis internetinių OCR paslaugų įkelia failą į savo serverį. Konvertavimas.lt įrankis atpažinimą atlieka jūsų naršyklėje, todėl paveikslėlis niekur nesiunčiamas.

Baigę darbą, ištrinkite nebereikalingą tekstą iš iškarpinės ir atsisiuntimų aplanko.

Ką daryti, jei rezultatas prastas

Pirmiausia patikrinkite pasirinktą kalbą. Dažna klaida yra lietuvišką tekstą atpažinti su anglų kalbos nustatymu: tada raidės su diakritikais virsta paprastomis arba keistais simboliais.

Jei tekstas vis tiek painus, pabandykite padidinti kontrastą arba pasukti paveikslėlį teisinga kryptimi. Kai ir tai nepadeda, nuotrauką verta padaryti iš naujo geresnėmis sąlygomis. Ilgą rezultatą patogu apžvelgti žodžių skaičiuokle, o pasikartojančius klaidingus simbolius ištaisyti ieškant ir pakeičiant.