OCR (оптическое распознавание символов): что это и как работает

Это распознавание текста, которое выполняет программа самого устройства или его драйвер сразу после сканирования. Без этой функции сканер сохраняет страницу как картинку: JPEG или PDF, внутри которого лежит изображение. С включённой функцией OCR программа дополнительно читает буквы и сохраняет результат в PDF с поиском, где под картинкой страницы спрятан текстовый слой, или в редактируемый текстовый файл. Качество такого распознавания зависит от программы, которая идёт с устройством: одни хорошо работают только с английским текстом, другие поддерживают русский, третьи теряют таблицы. Поэтому полезно проверить результат на одной типичной странице, прежде чем сканировать стопку документов. Если встроенная функция справляется плохо, страницы можно сохранить обычным сканом в PDF и распознать отдельной программой или онлайн-сервисом: исходник при этом не меняется, а вариантов обработки становится больше.

PDF с OCR — это файл, в котором поверх или под изображением страницы лежит текст, полученный распознаванием. Внешне он выглядит как обычный скан, но слова в нём можно выделить, скопировать и найти поиском по документу. Такой формат часто называют PDF с текстовым слоем или PDF с поиском. Понять, распознан ли файл, можно за несколько секунд: откройте его в любой программе для просмотра PDF и попробуйте выделить одно слово или найти его через поиск. Если выделяется отдельное слово и поиск его находит, текстовый слой есть. Если выделяется вся страница целиком, как рисунок, а поиск ничего не находит, перед вами чистый скан, и для работы с текстом его нужно распознать. Бывают и смешанные файлы, где часть страниц текстовая, а часть отсканирована и вставлена картинками, поэтому проверяйте несколько страниц из разных мест документа, а не только первую.

Tesseract — открытый движок распознавания текста, который можно установить на свой компьютер и запускать из командной строки или через программы-оболочки. Его история началась в HP, позже он развивался при участии Google, а начиная с четвёртой версии распознаёт строки нейросетью LSTM, то есть тоже относится к нейросетевому OCR. Сильные стороны Tesseract — бесплатность, работа без интернета и наборы моделей для многих языков, в том числе для русского. Слабая сторона — структура документа: на выходе обычно простой текст, разметка hOCR или PDF с текстовым слоем, а таблицы и заголовки приходится восстанавливать вручную. Кроме того, ему нужна аккуратная предобработка: ровный скан, достаточное разрешение, чистый фон. Сервисы, построенные на более новых моделях, смотрят на страницу целиком и возвращают текст со структурой — с заголовками, списками и таблицами. Выбор зависит от задачи: для автоматизации на своём сервере подходит Tesseract, для разовой работы с документами удобнее готовый сервис.

Классический OCR рассчитан на печатный текст, и с рукописью он справляется плохо. Почерк — отдельная задача: буквы соединены, у каждого человека свой наклон и свои сокращения, одна и та же буква в разных словах выглядит по-разному. Для неё используют другие термины и модели: ICR для отдельных букв, вписанных по клеточкам в анкеты и бланки, и HTR для связной рукописи, например писем и дневников. Даже специализированные модели на неразборчивом почерке ошибаются заметно чаще, чем на печатной странице, поэтому результат всегда приходится сверять с оригиналом. Распознавание текста в PhotoPanda работает только с печатным текстом с фото, сканов и PDF. Если в документе есть рукописные пометки на полях, подписи или вписанные от руки даты, рассчитывайте, что эти фрагменты придётся перенести в текст вручную, а печатную часть страницы можно распознавать как обычно.

Привычный ориентир для документов с обычным кеглем 10–12 пунктов — 300 точек на дюйм. При таком разрешении строчная буква занимает достаточно пикселей, чтобы движок уверенно различал похожие формы. Для мелкого шрифта, например сносок, примечаний и текста в таблицах, лучше поднять разрешение до 400–600 точек на дюйм. Сканировать сразу с очень высоким разрешением без нужды не стоит: файл растёт в несколько раз, а выигрыша в точности на обычном тексте почти нет. Для фото с телефона считают не точки на дюйм, а то, насколько крупно текст получился в кадре: страница должна заполнять кадр целиком, а буквы — оставаться резкими при увеличении. Режим цвета тоже влияет: оттенки серого обычно надёжнее чисто чёрно-белого режима, в котором тонкие штрихи букв могут пропасть. Если сомневаетесь, отсканируйте одну страницу с двумя настройками и сравните результат распознавания.

Движок распознаёт начертание, а у многих символов оно почти одинаковое: цифра 0 и буква О, цифра 3 и буква З, единица, строчная l и заглавная I, сочетание rn и буква m. На чётком скане модель различает их по мелким деталям и по контексту, а на размытом снимке или после сильного сжатия детали пропадают, и остаётся только догадка. Отдельная проблема — алфавиты: русская и латинская буквы о, а, е, с, р выглядят одинаково, и в слове может оказаться латинская буква. На экране этого не видно, но поиск такое слово не найдёт. Постобработка со словарём часть ошибок исправляет, но может и навредить: редкую фамилию или артикул она способна заменить похожим словарным словом. Поэтому после распознавания вычитывайте всё, что словарь не проверит: номера договоров, суммы, даты, коды, фамилии и названия, а для поиска латиницы внутри русских слов включите проверку орфографии.

Зависит от движка. Простые программы возвращают плоский текст: таблица превращается в строки чисел через пробел, а заголовки ничем не отличаются от абзацев. Движки с анализом макета восстанавливают структуру: определяют заголовки, абзацы, списки и границы ячеек таблиц. Но даже они передают именно структуру, а не вёрстку: шрифты, цвета, точные отступы, ширина колонок и положение блоков на странице в результат не переносятся. Печати, подписи и иллюстрации — часть изображения страницы, а не текста, поэтому исходный скан полезно хранить рядом с распознанным документом. В PhotoPanda результат распознавания приходит в формате Markdown с заголовками, списками и таблицами, а скачать его можно в DOCX для Word, в PDF, Markdown или TXT. Таблицы с объединёнными ячейками и многоуровневыми шапками проверяйте глазами в любом случае, особенно если по ним потом считают суммы.

OCR-B — шрифт, нарисованный специально для машинного чтения. Его символы сделаны так, чтобы программа не путала похожие знаки: ноль отличается от буквы О, единица от строчной l, у каждой цифры своя чёткая форма. При этом шрифт остаётся удобным и для человека, в отличие от более раннего OCR-A с подчёркнуто техническими, угловатыми знаками. OCR-B встречается в машиночитаемых строках документов и в цифрах под штрихкодами товаров. Отсюда и запросы вроде OCR-B type 1: это варианты начертания в наборах шрифтов. Для обычного распознавания документов знать про такие шрифты не нужно: современный OCR читает и привычные шрифты вроде Times или Arial. Но если вы готовите бланк или этикетку, которые потом будут считывать автоматически, машиночитаемые поля разумно набирать шрифтом, созданным для этой задачи, и не уменьшать его кегль сверх необходимого.