Как извлечь текст из изображения с помощью OCR

Как работает OCR

Сначала движок OCR переводит изображение в чёрно-белое, чтобы буквы выделялись на фоне. Затем он анализирует структуру страницы и находит блоки текста, строки и слова. Наконец, модель распознавания определяет, какие символы изображены в каждом слове.

Инструмент LeedyBox использует Tesseract — движок OCR с открытым исходным кодом — через Tesseract.js. Его модель распознавания — нейронная сеть, обученная на печатном тексте, с отдельными данными для каждого языка. Движок также сообщает значение уверенности распознавания для каждого слова, а инструмент показывает среднее значение для каждого изображения.

Выбор языка

Настройка языка сообщает движку, каких символов и слов ожидать. Если читать корейский, японский или русский текст английской моделью, получится бессмыслица из похожих латинских букв, а для языков с общим алфавитом правильная модель лучше справляется с диакритическими знаками и распространёнными словами.

Если на изображении смешаны два языка, например корейский документ с английскими названиями товаров, выберите оба. Добавляйте второй язык, только если он действительно нужен для текста: каждый дополнительный язык замедляет распознавание и даёт движку больше символов, которые можно перепутать.

Советы по качеству изображения

• Разрешение: мелкий текст на изображении с низким разрешением — самая частая причина ошибок. Увеличение отчасти помогает — поэтому инструмент LeedyBox может повторно прочитать небольшие изображения в двукратном размере, — но не восстанавливает детали, которых в изображении нет. Очень крупные буквы тоже могут распознаваться менее надёжно.
• Контраст: лучше всего работает тёмный текст на однотонном светлом фоне. Бледная печать, серый текст, цветной фон и тени мешают отделять буквы. Параметр перевода в оттенки серого с повышением контраста может помочь с бледным текстом, но сравнивайте результаты: на чистом изображении он может и ухудшить распознавание.
• Ровный текст: наклонённый, изогнутый или искажённый перспективой текст, например книга, сфотографированная под углом, приводит к слиянию строк и неверным символам. Если текст заметно перекошен, поверните изображение или переснимите его.
• Обрезка: обрежьте изображение до нужного текста. Логотипы, фотографии, рамки и соседние колонки могут быть приняты за символы и могут нарушить порядок чтения.
• Сжатие: сильное сжатие JPG размывает буквы и добавляет вокруг них артефакты. По возможности сохраняйте скриншоты в PNG; см. JPG, PNG, WebP и AVIF.

Скриншоты и фотографии

Скриншоты чёткие и ровные, поэтому обычно дают хорошие результаты. Их главная слабость — размер: текст интерфейса часто высотой всего несколько пикселей. Увеличьте масштаб страницы или приложения перед тем, как сделать скриншот, и не уменьшайте скриншот после этого. Скриншот можно вставить прямо в инструмент сочетанием Ctrl+V (⌘+V на Mac).

На фотографиях добавляются неравномерное освещение, блики, размытие, перспектива и изогнутые страницы. Держите камеру параллельно странице, заполните кадр текстом, используйте равномерный свет без бликов от вспышки и коснитесь экрана, чтобы сфокусироваться. Ориентация, записанная камерой, применяется до распознавания, поэтому снимок, сделанный телефоном, повёрнутым набок, распознаётся в правильном положении.

Для файлов PDF используйте инструмент «PDF в текст» вместо того, чтобы конвертировать страницы в изображения: он читает существующий текстовый слой и запускает OCR только для страниц без него. О сканированных PDF рассказывает руководство «Извлечение текста из PDF: текстовый слой и OCR».

Рукописный текст и декоративные шрифты

Используемые здесь модели обучены на печатном тексте, поэтому рукописный текст обычно распознаётся плохо. Больше всего шансов у аккуратных раздельных печатных заглавных букв; слитное письмо и подписи редко дают пригодный результат. Похожие проблемы вызывают декоративные, рукописные или очень узкие шрифты, текст на узорчатом фоне и вертикальный текст.

Проверка и исправление результата

Относитесь к результату OCR как к черновику. Типичные ошибки — путаница 0 и O, 1, l и I или «rn» и «m»; пропущенные или неверные диакритические знаки и знаки препинания; слова, слитые или разорванные в конце строк; перемешанные строки из соседних колонок. Таблицы и многоколоночная вёрстка не сохраняются: результат — обычный текст.

Сравните текст с изображением, уделяя особое внимание числам, именам, датам, суммам и адресам, где важен каждый символ. Высокое значение уверенности не доказывает, что текст верен. Перед копированием или скачиванием текст можно отредактировать прямо в инструменте.

Конфиденциальность: что остаётся на вашем устройстве

Инструмент LeedyBox запускает движок OCR в вашем браузере: изображения читаются на вашем устройстве и не отправляются в LeedyBox. Браузер скачивает библиотеку Tesseract.js, её движок WebAssembly и данные для каждого выбранного языка с самого leedybox.com. Это обычные загрузки файлов, в которые ваши изображения не входят. Tesseract.js сохраняет языковые данные в хранилище браузера (IndexedDB), чтобы не скачивать их повторно; очистка данных сайта в браузере удаляет их.

Часто задаваемые вопросы