Cara Mengekstrak Teks dari Gambar dengan OCR

Cara Kerja OCR

Mesin OCR terlebih dahulu mengubah gambar menjadi hitam putih agar huruf menonjol dari latarnya. Kemudian mesin menganalisis tata letak untuk menemukan blok teks, baris, dan kata. Terakhir, model pengenalan memperkirakan karakter apa saja yang ditunjukkan setiap kata.

Alat LeedyBox menggunakan Tesseract, mesin OCR sumber terbuka, melalui Tesseract.js. Model pengenalannya adalah jaringan saraf yang dilatih dengan teks cetak, dengan data terpisah untuk setiap bahasa. Mesin ini juga melaporkan nilai keyakinan untuk setiap kata, dan alat ini menampilkan rata-ratanya untuk setiap gambar.

Memilih Bahasa

Pengaturan bahasa memberi tahu mesin karakter dan kata apa yang perlu diantisipasi. Membaca teks Korea, Jepang, atau Rusia dengan model bahasa Inggris menghasilkan teks tak bermakna yang terdiri dari huruf Latin yang bentuknya mirip, dan untuk bahasa-bahasa yang memakai alfabet yang sama, model yang tepat menangani tanda diakritik dan kata-kata umum dengan lebih baik.

Jika sebuah gambar mencampur dua bahasa, misalnya dokumen berbahasa Korea dengan nama produk berbahasa Inggris, pilih keduanya. Tambahkan bahasa kedua hanya jika teks memerlukannya: setiap bahasa tambahan membuat pengenalan lebih lambat dan memberi mesin lebih banyak karakter yang bisa tertukar.

Tips Kualitas Gambar

• Resolusi: teks kecil dalam gambar beresolusi rendah adalah penyebab kesalahan yang paling umum. Memperbesar gambar agak membantu, itulah sebabnya alat LeedyBox dapat membaca ulang gambar kecil pada ukuran dua kali lipat, tetapi pembesaran tidak dapat memulihkan detail yang tidak ada di dalam gambar. Huruf yang sangat besar juga bisa dibaca dengan kurang andal.
• Kontras: teks gelap di atas latar terang polos memberikan hasil terbaik. Cetakan pudar, teks abu-abu, latar berwarna, dan bayangan membuat huruf lebih sulit dipisahkan. Opsi skala abu-abu dan kontras dapat membantu untuk teks yang pudar, tetapi bandingkan hasilnya, karena opsi ini juga dapat memperburuk hasil pada gambar yang bersih.
• Teks yang lurus: teks yang miring, melengkung, atau terdistorsi oleh perspektif, seperti buku yang difoto dari sudut miring, menyebabkan baris-baris menyatu dan karakter yang salah. Putar atau ambil ulang gambar jika teksnya jelas miring.
• Pemotongan: potong gambar hingga hanya menyisakan teks yang Anda perlukan. Logo, foto, garis tepi, dan kolom di sebelahnya dapat dikira sebagai karakter dan dapat mengacaukan urutan baca.
• Kompresi: kompresi JPG yang berat mengaburkan huruf dengan artefak. Simpan tangkapan layar sebagai PNG bila memungkinkan; lihat JPG, PNG, WebP, dan AVIF.

Tangkapan Layar vs Foto

Tangkapan layar tajam dan lurus, sehingga biasanya memberikan hasil yang baik. Kelemahan utamanya adalah ukuran: teks antarmuka sering kali hanya setinggi beberapa piksel. Perbesar tampilan halaman atau aplikasi sebelum mengambil tangkapan layar, dan jangan memperkecil tangkapan layar setelahnya. Anda dapat menempelkan tangkapan layar langsung ke alat dengan Ctrl+V (⌘+V di Mac).

Foto menambahkan masalah cahaya yang tidak merata, silau, buram, perspektif, dan halaman yang melengkung. Pegang kamera sejajar dengan halaman, isi bingkai dengan teks, gunakan cahaya yang merata tanpa silau lampu kilat, dan ketuk layar untuk memfokuskan. Orientasi yang dicatat kamera diterapkan sebelum pembacaan, sehingga foto yang diambil dengan ponsel dalam posisi menyamping tetap dibaca dengan arah yang benar.

Untuk file PDF, gunakan PDF ke Teks alih-alih mengonversi halaman menjadi gambar: alat ini membaca lapisan teks yang sudah ada dan hanya menjalankan OCR pada halaman yang tidak memilikinya. Panduan Mengekstrak Teks dari PDF: Lapisan Teks dan OCR membahas PDF hasil pindai.

Tulisan Tangan dan Font Bergaya

Model yang digunakan di sini dilatih dengan teks cetak, sehingga tulisan tangan biasanya dikenali dengan buruk. Huruf kapital cetak yang rapi dan terpisah memiliki peluang terbaik; tulisan bersambung dan tanda tangan jarang menghasilkan teks yang dapat digunakan. Font dekoratif, font bergaya tulisan tangan (script), atau font yang sangat rapat, teks di atas latar bermotif, dan teks vertikal menimbulkan masalah serupa.

Memeriksa dan Mengoreksi Hasil

Perlakukan hasil OCR sebagai draf. Kesalahan umum meliputi tertukarnya 0 dan O, 1, l, dan I, atau "rn" dan "m"; tanda diakritik dan tanda baca yang hilang atau salah; kata yang menyatu atau terpecah di akhir baris; serta baris dari kolom yang bersebelahan yang tercampur. Tabel dan tata letak multikolom tidak dipertahankan: hasilnya berupa teks biasa.

Bandingkan teks dengan gambar, dan beri perhatian khusus pada angka, nama, tanggal, jumlah uang, dan alamat, karena di bagian-bagian itu satu karakter yang salah pun berpengaruh. Nilai keyakinan yang tinggi tidak membuktikan bahwa teksnya benar. Anda dapat mengedit teks di alat ini sebelum menyalin atau mengunduhnya.

Privasi: Apa yang Tetap di Perangkat Anda

Alat LeedyBox menjalankan mesin OCR di browser Anda: gambar Anda dibaca di perangkat Anda dan tidak diunggah ke LeedyBox. Browser mengunduh pustaka Tesseract.js, mesin WebAssembly-nya, dan data untuk setiap bahasa yang Anda pilih langsung dari leedybox.com. Ini adalah unduhan file biasa yang tidak menyertakan gambar Anda. Tesseract.js menyimpan data bahasa di penyimpanan browser Anda (IndexedDB) agar tidak perlu diunduh lagi; menghapus data situs di browser Anda akan menghapusnya.

Pertanyaan Umum