WikiDer > Optische Zeichenerkennung

Optische Zeichenerkennung (OCR) oder auf Niederländisch: optische Zeichenerkennung ist eine Transformation, bei der aus a Bild eines Textes mittels Mustererkennung werden alle Zeichen aus dem Bild als solche erkannt und von einem Computer (Programm) separat gespeichert. Mit anderen Worten, der Text aus einem Bild wird in bearbeitbaren Text umgewandelt. Ein Beispiel dafür ist automatische Kennzeichenerkennung.

Normalerweise a Scanner verwendet, um ein Bild des Papiers zu erstellen und an den Computer zu senden. Das Bild wird normalerweise mit a . erstellt Auflösung von 150-300 dpi und gespeichert im TIFFFormat.

Wenn alle Zeichen erkannt werden, kann die OCR-Software verschiedene Operationen ausführen. Die bekannteste Operation besteht darin, die Zeichen in einem weiteren bearbeitbaren Dateiformat zu speichern, wobei oft sowohl die Sprache des Originals als auch die der Sprache verwendet werden Schriftarten und der Format reproduziert werden. In diesem Fall wird es ein "voller Text OCR genannt".

OCR bewirkt, dass eine Textseite nur wenige Kilobyte Speicherplatz beansprucht. Außerdem ist es nachträglich editierbar in a Textverarbeitungssystem. Wichtig ist auch, dass der Text nun durchsuchbar gemacht werden kann, zum Beispiel in a digitale Bibliothek oder in a Suchmaschine.

Kontextuelle OCR - ICR

In diesem Fall werden die anfänglichen OCR-Ergebnisse verwendet, um weitere Analysen durchzuführen, um bestimmte Informationen im gescannten Bild zu finden. Handelt es sich bei dem gescannten Bild beispielsweise um eine Rechnung, versucht die Analyse, die verschiedenen rechnungsspezifischen Daten (Rechnungsnummer, Datum, MwSt., Summen, Lieferant usw.) aus allen OCR-Ergebnissen zu finden. Diese Art der OCR wird auch als ICR (Intelligent Character Recognition) bezeichnet. Dies bezieht sich auf den Kontext, in dem die gefundenen Daten platziert werden.

Durch die Analyse des Kontextes der exportierten Daten wird die Sicherheit der von ICR erkannten Daten bei jedem verarbeiteten Dokument verbessert. Durch die Anwendung des Wissens, das die ICR-Engine von einem Dokument auf Dokumente in allen anderen Workflows übernimmt, wird das Gesamtergebnis immer besser.

Basierend auf dem Kontext eines Dokuments können die Daten in einen bestimmten Workflow eingespeist werden. Erkennt das ICR, dass es sich bei einer Sendung um eine Rechnung handelt, werden die exportierten (xml) Daten automatisch an das Rechnungsbearbeitungssystem übergeben. Beispielsweise kann für jeden Dokumententyp ein eigener Workflow vom ICR verknüpft werden. Denken Sie an Transportpapiere, Zollpapiere, Bußgelder und Bestellungen.^[1]

Gedruckten Text erkennen

Ziffern in OCR-A, a Schriftstil speziell für die optische Zeichenerkennung entwickelt

Es gibt mehrere Schritte, die befolgt werden, um Text zu erkennen:

• Kontrolle der Ausrichtung. Liegt der Text auf der Seite oder auf dem Kopf, muss das Bild zuerst gedreht werden. Auch wenn der Text schief ist, gibt es manchmal die Möglichkeit, dies mehr oder weniger zu korrigieren. Diese Funktion wird normalerweise mit dem Englischen verwendet verzerren oder De-Skew angezeigt; gerade Linien verlaufen dann wieder gerade statt schräg nach oben oder unten.
• Erkennen Sie die Textelemente (Spalten, Textblöcke, Textzeilen, Wörter). Ein normaler Buchstabe oder eine normale Seite in einem Buch besteht im Allgemeinen aus einer Spalte oder einem Textblock. Eine Zeitung hingegen hat mehrere Spalten. Viele OCR-Programme können dies automatisch erkennen. Die Reihenfolge der Textblöcke und/oder Spalten kann in der Regel durch die Angabe einer Reihenfolge mit den Editierschaltflächen geändert werden.
• Text und Bilder trennen. Der Text wird vom Rest getrennt, wobei die Bilder meist im Format .PNG oder .JPG (ehemals .PCX) gespeichert werden.
• Bei professioneller OCR kann die Erkennung auch auf numerisch oder alphanumerisch eingestellt werden, sodass nur Zahlen oder Zahlen und Buchstaben erkannt werden.
• Zeichenerkennung. Die Buchstaben werden einzeln analysiert: welches Zeichen, welche Schriftart, Größe usw. und dann mit Beispielen von Buchstaben verglichen, die dem Programm zur Verfügung stehen. Manchmal kann ein OCR-Programm neue Beispiele hinzufügen (die sogenannte Trainingsoption), damit die gleiche Buchstabenart später wieder erkannt wird. Es werden auch Regeln angewendet, die beschreiben, wie die Sprache nach nationaler Natur strukturiert ist.
• Überprüfung der Wörter mit einem Wörterbuch (Bibliothek) aller vorhandenen Wörter, der sogenannten Rechtschreibprüfung. In OCR ist der Anfangsbuchstabe normalerweise der fragwürdige Buchstabe (denken Sie an "geben", "beef", "leben", "sieben", "schlampe", "weben", "hat" usw.) Viele einfache OCR-Programme verwenden weggelassen das Glossar (sprachabhängig!), was einen erheblichen Unterschied in Bezug auf Zeit und Speicherkapazität ausmachen kann. Intelligente Rechtschreibprüfungen neigen dazu, während der Verwendung zu wachsen, was durch die Erstellung separater Wortlisten pro Kategorie oder Fachgebiet (medizinisch, technisch, historisch usw.) eingeschränkt werden kann.
• Export. Abschließend kann das Ergebnis gespeichert werden. In der Regel können Sie das Format und inwieweit das Original wählen Format muss rekonstruiert werden. Zum Beispiel erzeugt eine Textdatei eine andere Ausgabe als a Kalkulationstabelle oder PDF-Datei. Beim Export wird in vielen Fällen auch die Position der Textelemente auf der Originalseite gespeichert. Für jeden Textblock, jede Textzeile und jedes Wort werden die Koordinaten des Textelements auf dem Bild gespeichert. Dadurch kann beispielsweise das Textelement hervorgehoben (hervorgehoben) werden.

Die Zeichenerkennung moderner gedruckter Texte ist in der Regel von guter Qualität. In älteren Texten kommt es häufig vor, dass Zeichen nicht erkannt werden. Dies wird hauptsächlich durch die verschlechterte Qualität des Originals verursacht, zum Beispiel durch Beschädigungen auf der Seite, durchscheinen von Tinte auf der Rückseite der Seite, Sprenkeln oder Flecken auf dem Original, ältere Schriftarten, alte Schreibweisen, anderes Layout der Seiten usw.

Handschrifterkennung

Während sich OCR auf das Erkennen von gedrucktem Text bezieht, wird die Handschrifterkennung von einigen Anbietern auch als ICR bezeichnet. ICR steht für Intelligente Zeichenerkennung. Handschrifterkennung ist aufgrund der unterschiedlichen Schreibweisen um ein Vielfaches komplizierter als das Erkennen von gedrucktem Text.

Dennoch wird diese Technik häufig und erfolgreich zur Erkennung handschriftlicher Texte, insbesondere auf Formularen, eingesetzt. Da der Text dort an festen Stellen platziert ist und oft eine bestimmte Bedeutung hat, zB Postleitzahl, Registriernummer, Adresse, Nummer, bieten die Softwaresysteme dennoch eine gute Erkennbarkeit.

Seit Ende der 1980er Jahre sind die ersten kommerziellen Anwendungen verfügbar. Diese wurden im Laufe der Jahre stark verbessert, ab etwa 2000 gibt es auch nützliche Programme, die in kleinen Computern (Handheld-Computer oder pda) wo ein Tastatur wird vermisst. Neuerdings gibt es Stifte auf dem Markt, mit denen man auf Papier schreiben und den geschriebenen Text dann am PC in getippten Text umwandeln kann.

Anwendungen der Handschrifterkennung sind zum Beispiel die Sortierzentren der Postdienst, Formularerkennung (z.B. Steuerformulare), Umfragebearbeitung, Antragsformulare bei Versicherungen, Rechnungserkennung etc.

OMR

Neben OCR und ICR gibt es auch OMR (Öptisch ichArche Recognition), eine ähnliche Technologie, die jedoch auf die Erkennung von angekreuzten Kästchen und geschwärzten Kreisen spezialisiert ist (für Anwendungen wie z CITO-Test). Charakteristisch für diese Technik ist im Allgemeinen die Verwendung von Formularen, die in einer bestimmten Farbe gedruckt sind, die beim Scannen verschwindet. Lediglich die Markierungen bleiben erhalten, wodurch sie von der Software noch leichter zu erkennen sind.

Strichcode

Viele Erkennungsprogramme können auch Barcodes speichern (Strichcode), die sich auf den gescannten Dokumenten befinden.

ITR

Neben OCR, OMR und ICR gibt es auch ITR, Intelligent Textual Recognition. Dabei handelt es sich um ein Programm, das das Internet nach Sites zu einem bestimmten, vordefinierten Thema durchsucht und dann eine Zusammenfassung erstellt.

Digitalisieren

Es gibt einen wachsenden Club begeisterter Menschen im Internet, die mittels Scannen und OCR E-Books oder digitale Bücher dafür Projekt Gutenberg macht. Dies beinhaltet oft Arbeiten, bei denen keine Urheberrechte © mehr, so ältere Literatur. Ebenfalls Genealogie- entweder Stammbaum-Enthusiasten nutzen diese Technik gerne, um alte Stadtarchive zu digitalisieren digitalisierenwie Bibliotheken, Archive und Museen. Auch im Programm Google Bücher In Zusammenarbeit mit Bibliotheken und Verlagen werden Bücher in großem Umfang digitalisiert.

Siehe auch

• Spracherkennung

Nüsse