Kā izvilkt tekstu no attēla vai ekrānuzņēmuma (OCR)

Kas ir OCR

OCR (optiskā rakstzīmju atpazīšana) ir tehnoloģija, kas attēlā meklē burtu formas un pārvērš tās īstā tekstā. Datoram fotogrāfija ir tikai pikseļu režģis, tāpēc bez OCR tajā esošos vārdus nevar atlasīt, kopēt vai meklēt.

Rezultāts nav brīnums: programma katru rakstzīmi min pēc tās formas un valodas vārdnīcas. Tāpēc skaidra, labi apgaismota fotogrāfija dod daudz labāku rezultātu nekā sašķiebta, izplūdusi.

Kā izvilkt tekstu soli pa solim

• Atveriet rīku Attēls uz tekstu un izvēlieties attēlu (JPG, PNG, WebP vai līdzīgu).
• Izvēlieties dokumenta valodu. Latviešu teksts ar tādiem burtiem kā ā, č, ē, ģ, ī, ķ, ļ, ņ, š, ū, ž tiek atpazīts precīzāk, ja valoda iestatīta pareizi.
• Sāciet atpazīšanu un uzgaidiet: pirmoreiz var būt jālejupielādē valodas dati, tāpēc tas var ilgt ilgāk.
• Pārskatiet rezultātu un izlabojiet kļūdas, īpaši skaitļus, datumus, vārdus un summas.
• Nokopējiet tekstu vai saglabājiet to failā.

Attēla sagatavošana labākam rezultātam

Avota kvalitāte ir svarīgāka par visu pārējo. Daži vienkārši soļi bieži uzlabo rezultātu vairāk nekā jebkurš iestatījums.

• Fotografējiet taisni no augšas, lai rindas nebūtu šķības vai izkropļotas.
• Izmantojiet vienmērīgu apgaismojumu bez ēnām un zibspuldzes atspīdumiem.
• Rakstzīmēm jābūt pietiekami lielām: ja attēls ir ļoti mazs, palieliniet to pirms atpazīšanas, bet, ja tas ir milzīgs, samaziniet, lai apstrāde būtu ātrāka.
• Apgrieziet nevajadzīgās malas, lai teksts skaidri izceltos uz fona.
• Ekrānuzņēmumus saglabājiet kā PNG, nevis stipri saspiestu JPG: artefakti ap burtiem mulsina atpazīšanu.

Kas darbojas labi un kas ne

Kur OCR ir visnoderīgākā

Tipiski piemēri: čeku un rēķinu dati, kas jāpārnes uz izklājlapu, fragmenti no skenētām grāmatām vai rakstiem, teksts no slaidiem vai ekrānuzņēmumiem, ko vēlaties citēt, un vecu dokumentu fotogrāfijas, kuras vēlaties padarīt meklējamas.

Ja nepieciešamas vairākas lapas, vislabāk tās apstrādāt pa vienai un rezultātus apvienot manuāli. Uzmanieties ar tabulām: OCR bieži nolasa vārdus pareizi, bet sagrauj kolonnu struktūru, tāpēc tabulu datus nākas sakārtot pašrocīgi.

Privātums

Fotogrāfijās bieži ir sensitīvi dati: personas kodi, konta numuri, medicīniskas piezīmes. Daudzi tiešsaistes OCR pakalpojumi jūsu failu augšupielādē savā serverī. Konvertavimas.lt rīks atpazīšanu veic jūsu pārlūkprogrammā, tāpēc attēls netiek nekur sūtīts.

Kad esat pabeidzis, notīriet nevajadzīgo tekstu no starpliktuves un lejupielāžu mapes.

Ko darīt, ja rezultāts ir slikts

Vispirms pārbaudiet izvēlēto valodu. Bieža kļūda ir latviešu teksta atpazīšana ar izvēlētu angļu valodu, un tad burti ar diakritiskajām zīmēm kļūst par parastajiem vai dīvainiem simboliem.

Ja teksts joprojām ir sagrozīts, mēģiniet palielināt kontrastu vai pagriezt attēlu pareizi. Ja tas nepalīdz, nofotografējiet vēlreiz labākos apstākļos. Garākiem rezultātiem vārdu skaitītājs palīdz pārbaudīt, vai iznākums ir ticams, bet atkārtotas nepareizas rakstzīmes var labot ar meklēšanu un aizstāšanu.