OCR PDF & αναγνώριση

Τι είναι το OCR;

Ένα σαρωμένο PDF είναι ουσιαστικά φωτογραφία σελίδας: για τον υπολογιστή είναι πλέγμα εικονοστοιχείων, και τίποτα από αυτά δεν είναι κείμενο. Το OCR (Optical Character Recognition) είναι η τεχνολογία που εξετάζει αυτά τα εικονοστοιχεία και βρίσκει ποιους χαρακτήρες απεικονίζουν. Το αποτέλεσμα μπορεί να είναι απλό κείμενο που αντιγράφεται (λειτουργία Κείμενο OCR) ή ένα αόρατο στρώμα κειμένου τοποθετημένο πάνω από την εικόνα της σελίδας (λειτουργίες Σάρωση→Αναζητήσιμο και Εικόνα→PDF), το οποίο κάνει ένα σαρωμένο έγγραφο αναζητήσιμο σε οποιονδήποτε προβολέα PDF.

Η διαδικασία OCR

Κάθε μηχανή OCR ακολουθεί περίπου τα ίδια στάδια. Πρώτα η σελίδα αποδίδεται σε εικόνα (στα PDF, κάθε σελίδα μετατρέπεται σε raster). Έπειτα έρχεται η δυαδικοποίηση: τα εικονοστοιχεία ταξινομούνται σε μελάνι ή χαρτί, ώστε η μηχανή να δουλεύει με ασπρόμαυρα σχήματα. Τα σχήματα τμηματοποιούνται σε γραμμές, λέξεις και μεμονωμένους χαρακτήρες. Τέλος κάθε υποψήφιος ταξινομείται — οι σύγχρονες μηχανές χρησιμοποιούν εκπαιδευμένα νευρωνικά δίκτυα που εξετάζουν ολόκληρες γραμμές κειμένου και όχι μεμονωμένα γράμματα, γι' αυτό διαχειρίζονται πολύ καλύτερα θολή ή ελαφρώς στραβή είσοδο από τους παλαιότερους αναγνώστες μεμονωμένων χαρακτήρων. Η γλώσσα έχει επίσης σημασία: η μηχανή χρησιμοποιεί λεξικά και σύνολα χαρακτήρων ανά γλώσσα, γι' αυτό η επιλογή της σωστής γλώσσας στο παραπάνω μενού βελτιώνει την ακρίβεια.

Το αόρατο στρώμα κειμένου

Ένα «αναζητήσιμο PDF» είναι δύο πράγματα τοποθετημένα το ένα πάνω στο άλλο: η αρχική εικόνα της σελίδας που εμφανίζεται, συν ένα αόρατο στρώμα κειμένου τοποθετημένο πίσω της. Η επιλογή κειμένου στον προβολέα επιλέγει στην πραγματικότητα αυτό το κρυφό στρώμα. Τίποτα στη ορατή σάρωση δεν αλλάζει — η εικόνα μένει ανέπαφη, οπότε η ποιότητα και η εμφάνιση δεν αλλάζουν ποτέ. Το αντάλλαγμα είναι ότι η αντιγραφή/επικόλληση και τα αποτελέσματα αναζήτησης είναι τόσο ακριβή όσο το πέρασμα OCR από κάτω. Αν μια λέξη αναγνωρίστηκε λανθασμένα, η αναζήτηση της σωστής ορθογραφίας δεν θα τη βρει, επειδή το κρυφό στρώμα περιέχει το λάθος.

Γιατί το DPI αποφασίζει τα πάντα

Η ακρίβεια αναγνώρισης εξαρτάται από το πόσα εικονοστοιχεία αντιστοιχούν σε κάθε χαρακτήρα. Οι σελίδες PDF σχεδιάζονται σε points (72 ανά ίντσα), αλλά ένας χαρακτήρας 10 pt σε χαμηλή ανάλυση καταρρέει σε μια χούφτα εικονοστοιχείων — στα 150 DPI ένας χαρακτήρας 10 pt έχει ύψος μόλις περίπου 21 εικονοστοιχεία, και στα 300 DPI περίπου 42. Κάτω από περίπου 20 εικονοστοιχεία, τα σερίφια κλείνουν, τα γράμματα θολώνουν μαζί και η ακρίβεια πέφτει απότομα. Γι' αυτό η μακροχρόνια οδηγία σάρωσης είναι 300 DPI για OCR: δίνει σε κάθε μικρό χαρακτήρα αρκετή λεπτομέρεια χωρίς να σπαταλά μέγεθος αρχείου. Η πολύ μεγαλύτερη ανάλυση σπάνια βοηθά την αναγνώριση — κυρίως μεγαλώνει τη σάρωση και επιβραδύνει το OCR.

Σε τι δεν είναι καλό το OCR

Το χειρόγραφο, οι στυλιζαρισμένες γραμματοσειρές εμφάνισης και το κείμενο πάνω σε πολυσύχναστο φόντο παραμένουν αδύναμα σημεία. Οι πίνακες αποτελούν ειδική περίπτωση: το OCR βλέπει χαρακτήρες και τις θέσεις τους, αλλά δεν κατανοεί πραγματικά γραμμές και στήλες — η λειτουργία Εξαγωγής πίνακα συνάγει τη δομή από την ευθυγράμμιση, γι' αυτό οι σύνθετοι πίνακες βγαίνουν κατά προσέγγιση. Και αν ένα PDF περιέχει ήδη πραγματικό κείμενο (εξήχθη από Word, δεν είναι σάρωση), δεν χρειάζεται καθόλου OCR: το κείμενο μπορεί να εξαχθεί απευθείας, με μεγαλύτερη ακρίβεια, με τα εργαλεία εξαγωγής PDF.

Συνηθισμένες παρανοήσεις

• «Ένα αναζητήσιμο PDF είναι ακριβώς σαν ένα PDF που δημιουργήθηκε από Word.» Όχι — το στρώμα κειμένου είναι απλό αναγνωρισμένο κείμενο. Η αντιγραφή μιας παραγράφου μπορεί να χάσει τη διάταξη, και κάθε σφάλμα αναγνώρισης ενσωματώνεται στο κρυφό στρώμα.
• «Το OCR ανακτά το αρχικό κείμενο.» Ανασυνθέτει μια καλύτερη εκτίμησή του. Μια σελίδα με 99% ακρίβεια έχει ακόμη περίπου έναν λάθος χαρακτήρα ανά 100 — αρκετό για αναζήτηση, επικίνδυνο για νομικό ή αριθμητικό περιεχόμενο.
• «Περισσότερο DPI είναι πάντα καλύτερο.» Πέρα από περίπου 400–600 DPI τα κέρδη ακρίβειας είναι αμελητέα, ενώ το μέγεθος αρχείου και ο χρόνος επεξεργασίας συνεχώς αυξάνονται. Τα 300 DPI είναι το ιδανικό σημείο για συνηθισμένα έγγραφα.
• «Οι φωτογραφίες από κινητό λειτουργούν όσο και οι σαρώσεις.» Η στρέβλωση, ο ανομοιόμορφος φωτισμός και το τρέμουλο της κάμερας μειώνουν την ακρίβεια. Η φωτογραφία της σελίδας πρέπει να είναι επίπεδη, μετωπική και καλά φωτισμένη — ή να γίνεται χρήση πραγματικού σαρωτή για σημαντικά έγγραφα.

Σχετικά εργαλεία: Εξαγωγή PDF (εγγενής εξαγωγή κειμένου — δεν απαιτείται OCR για ψηφιακά PDF), Η δομή PDF εξηγείται (πώς συνδέεται το στρώμα κειμένου με τη σελίδα), Επεξεργασία & οργάνωση PDF, Μετατροπή σε PDF.