OCR-Vrij

Wat is OCR?

OCR (optical character recognition) is in feite tekstherkenning. Het is een softwareproces dat tekst herkent en extraheert uit documenten in niet-tekstformaten zoals afbeeldingen (JPG, PNG, BMP, enz.) en PDF's. Het heeft de mogelijkheid om de tekst in afbeeldingen te "lezen", met andere woorden om de afbeelding van een woord om te zetten in de daadwerkelijke teksttekens. Hierdoor kan een gebruiker eenvoudig de originele tekst in documenten kopiëren of bewerken, in plaats van de tekst handmatig te moeten transcriberen.

Hoe werkt optische tekenherkenning?

Bij optische tekenherkenning wordt een afbeelding doorgaans voorverwerkt door de verzadiging en contrasten te verminderen om het contrast tussen de donkere en lichte delen te optimaliseren. Alles wat zwart is, wordt daarbij als karakters beschouwd en dat wat wit is als achtergrond voor die karakters. Vervolgens worden algoritmen voor patroonherkenning en andere methoden, waaronder functiedetectie, gebruikt om de visuele structuur van de tekst in de afbeelding te herkennen: van alinea's tot regels, zinnen, woorden, enzovoort tot aan enkele tekens. Deze processen maken nu vaak gebruik van kunstmatige intelligentie die tekst in beeld kan leren herkennen door te oefenen op duizenden afbeeldingen met tekst in verschillende lettertypen, groottes en talen.

Wat zijn de voordelen van het gebruik van OCR?

Het voordeel van het gebruik van optische tekenherkenning is natuurlijk de tijd die het bespaart bij het digitaliseren van de tekst in afbeeldingen. Vergelijk de tijd die het kost om handmatig de tekst uit een boek over te typen met het scannen van het boek en het verwerken van de scans met OCR-software die de tekst in een kwestie van seconden kan extraheren.