Kurz gesagt
OCR (Optical Character Recognition, optische Zeichenerkennung) macht aus Pixeln, die wie Buchstaben aussehen, echten Text. Bei einem scharfen Foto oder Screenshot von gedrucktem Text ist das Ergebnis nahezu perfekt. Bei Handschrift, Zierschriften oder einem verwackelten Foto einer Speisekarte ist es nahezu unbrauchbar. Die Engine auf dieser Website ist Tesseract, sie läuft im Browser mit zwölf Sprachpaketen, und das Bild bleibt auf Ihrem Gerät. Die meisten schlechten Ergebnisse liegen am Bild und nicht an der Engine, und sie lassen sich beheben, bevor Sie auf den Knopf drücken.
Wie die Engine arbeitet
Tesseract entstand 1985 bei Hewlett-Packard, wurde 2005 als Open Source freigegeben und wird seit 2006 von Google gepflegt. Version 4 (2018) ersetzte den Klassifikator, der Zeichen für Zeichen arbeitete, durch ein neuronales LSTM-Netz, das eine ganze Zeile auf einmal liest. Deshalb kommt es mit sich berührenden Buchstaben und Proportionalschriften zurecht, an denen die alte Engine scheiterte. Der Ablauf: Textbereiche auf der Seite finden, sie in Zeilen zerlegen, jede Zeile durch das Netz schicken und ein Sprachmodell (ein Wörterbuch plus Statistiken über Buchstabenfolgen) zwischen ähnlichen Formen entscheiden lassen (l, 1, I; 0, O). Wegen dieses letzten Schritts kommt es auf die richtige Sprachwahl an: Ein englisches Modell, das Deutsch liest, „korrigiert“ straße zu strasse oder Schlimmerem.
Im Browser ist die Engine nach WebAssembly kompiliert (etwa 4 MB), jedes Sprachpaket hat 0,7–3 MB und wird bei der ersten Nutzung heruntergeladen und zwischengespeichert. Die Pakete für Chinesisch und Japanisch sind die großen, weil Tausende von Zeichen bekannt sein müssen.
Was über das Ergebnis entscheidet
Auflösung. Tesseract will Buchstaben mit etwa 30 Pixeln Höhe; unter 20 beginnt das Netz zu raten. Ein Handyfoto einer Seite ist in Ordnung, ein 400 Pixel breites Vorschaubild nicht. Wenn Sie ein kleines Bild per OCR auslesen müssen, vergrößern Sie es vorher auf das Doppelte. Das fügt keine Information hinzu, gibt der Zeilenerkennung aber Raum zum Arbeiten.
Kontrast und Gleichmäßigkeit. Schwarz auf Weiß, gleichmäßig beleuchtet. Ein Foto einer Seite unter einer Schreibtischlampe hat eine helle Mitte und graue Ecken. Die Engine binarisiert das Bild mit einem einzigen Schwellenwert, und eine Seite des Blatts verschwindet. Fotografieren Sie bei flachem Licht oder scannen Sie.
Gerade Ausrichtung. Die Engine gleicht eine Schräglage von wenigen Grad aus. Eine schräg fotografierte Seite ist ein Trapez, und die Zeilen laufen zusammen. Drehen und schneiden Sie das Bild vor der OCR auf den Textblock zu. Das Zuschneiden entfernt außerdem Tischkante, Daumen und die gegenüberliegende Seite, die sonst jeweils eine Zeile Unsinn erzeugen.
Layout. Einspaltiger Fließtext ist einfach. Zwei Spalten werden meist erkannt. Tabellen, Formulare, Text, der um Bilder fließt, und Bildunterschriften am Rand kommen in einer Reihenfolge heraus, die die Engine festlegt, und Zahlenspalten verlieren ihre Ausrichtung. Lesen Sie bei einer Tabelle die benötigten Zellen aus, nicht die ganze Seite.
Schrift. Übliche Buch- und Bildschirmschriften: hervorragend. Schmale, verschnörkelte, Schreib- oder Konturschriften: schwach. Text in einer Schrift, die in den Trainingsdaten nie vorkam, wird Form für Form gelesen, und die Korrekturen des Sprachmodells machen es schlimmer statt besser.
Handschrift. Praktisch nicht unterstützt. Tesseract ist auf Druckschrift trainiert. Blockbuchstaben auf einem Formular kommen eventuell durch, Schreibschrift nicht. Handschrifterkennung ist eine andere Modellfamilie und gehört nicht zu dem, was dieses Tool leistet.
Sprachen und Mischtext
Wählen Sie die Sprache, in der der Text verfasst ist, und wenn möglich nur diese. Drei ausgewählte Sprachen verdreifachen die Kandidatenmenge für jedes Zeichen, was die Erkennung verlangsamt und die Genauigkeit senkt. Mischtext, etwa ein chinesisches Dokument mit englischen Produktnamen, ist der Fall für zwei Sprachen zugleich (Chinesisch + Englisch): Die Engine wechselt pro Wort. Zwölf Sprachen stehen zur Verfügung: Englisch, vereinfachtes und traditionelles Chinesisch, Japanisch, Koreanisch, Spanisch, Französisch, Deutsch, Portugiesisch, Russisch, Italienisch und Vietnamesisch.
Gescannte PDFs
Ein PDF aus dem Scanner ist ein Bild pro Seite; zum Kopieren ist kein Text vorhanden. Wandeln Sie die Seiten in Bilder um, mit 200–300 dpi, und lassen Sie die OCR darüber laufen. Mit 72 dpi (Bildschirmauflösung) entstehen 10 Pixel hohe Buchstaben und Kauderwelsch.
Was „99 %“ in der Praxis bedeutet
Ein guter OCR-Durchlauf auf einer sauberen Seite liest etwa eines von hundert Zeichen falsch. Bei einer Seite mit 500 Wörtern sind das dreißig Fehler, vor allem in Zahlen, Namen und Satzzeichen, also genau in den Teilen, die beim flüssigen Lesen nicht auffallen. Prüfen Sie jede Zahl am Original, bevor der Text irgendwohin geht, wo es darauf ankommt. OCR liefert einen Entwurf, keine Abschrift.
