Как это работает
Программа сначала находит на картинке строки и отдельные буквы, а потом решает, какой символ перед ней. Такой способ называется оптическим распознаванием символов, по-английски OCR. На странице Фолена работает Tesseract: это открытая программа, которую много лет развивают разработчики и сообщество, а начиная с версии 4.0 в ней используется нейросеть типа LSTM. Всё выполняется в вашем браузере, поэтому фото не отправляется на сервер.
Как перевести фото в текст пошагово
- Подготовьте картинку: подойдёт фото страницы, скриншот или скан. Если у вас PDF со сканом, сначала сохраните его страницы картинками инструментом «PDF в JPG».
- На странице «Распознать текст с картинки» перетащите файл в окно, найдите его в проводнике или галерее либо вставьте скриншот через Ctrl + V.
- Укажите язык: можно оставить оба, русский и английский, или выбрать один. Для бледных и тёмных снимков включите «Усилить контраст».
- Нажмите «Распознать текст». Через несколько секунд результат появится в поле ниже.
- Прочитайте текст рядом с оригиналом, исправьте ошибки прямо в поле и скопируйте его или скачайте файл в формате TXT.
Первый запуск займёт чуть больше времени: страница подгружает движок и словари, это примерно 10 МБ. После этого они лежат в кэше браузера, и распознавать можно даже без интернета, если вы уже открывали страницу раньше.
Как сфотографировать, чтобы текст распознался
Качество снимка важнее всего остального. Создатели Tesseract отдельно советуют готовить изображение перед распознаванием, а в справке программы типичным разрешением названо 300 точек на дюйм. Вот что помогает на практике.
- Снимайте строго сверху, чтобы страница не заваливалась и строки не загибались дугой.
- Нужен ровный свет без бликов и теней. Лампу лучше поставить сбоку, чтобы не отбрасывать на страницу тень от телефона и от руки.
- Буквы должны быть крупными: хорошо, когда высота текста на снимке не меньше 20 пикселей. Если текст мелкий, подойдите ближе или снимайте в более высоком разрешении.
- Светлый однотонный фон работает лучше цветного и с рисунком.
- Снимайте по одной странице. Разворот книги с изгибом посередине читается хуже.
- Не сжимайте снимок перед распознаванием: сильное сжатие размывает края букв.
Что чаще всего идёт не так
| Что случилось | Почему так вышло | Что сделать |
|---|---|---|
| Вместо букв набор случайных знаков | Снимок размыт, тёмный или слишком мелкий | Переснимите при хорошем свете или включите усиление контраста |
| Путаются буква О и ноль, буква I и единица | Эти знаки очень похожи, особенно в чеках и номерах | Сверяйте цифры и коды с оригиналом |
| Слова слиплись или разорваны | Мелкий шрифт или тесный межстрочный интервал | Сфотографируйте ближе или с более высоким разрешением |
| Таблица превратилась в обычные строки | Программа читает буквы, а не структуру таблицы | Вставьте результат в таблицу и разложите по ячейкам вручную |
| Рукописный текст не читается | Движок рассчитан на печатный текст | Перепечатайте вручную: обычный почерк почти не распознаётся |
| Текст пропал на цветной картинке | Рисунок под буквами мешает отделить их от фона | Обрежьте лишнее и включите усиление контраста |
Что делать с результатом
Распознанный текст почти всегда нужно проверять. Чаще всего ошибки встречаются в цифрах, похожих буквах и знаках препинания. Если в тексте суммы, номера документов или даты, перечитайте их глазами по оригиналу. Для важных бумаг не полагайтесь на распознавание вслепую: одна неверная цифра в номере договора может стоить дороже, чем десять минут проверки.
Удобный приём: откройте оригинал и результат рядом, на двух половинах экрана, и читайте их по очереди. Так проще заметить пропущенную строку, чем при проверке одного распознанного текста.
Скриншоты и PDF со сканами
- Скриншот на компьютере с Windows делают сочетанием Win + Shift + S, на Mac сочетанием Shift + Cmd + 4. Потом его можно сразу вставить на страницу через Ctrl + V.
- Если у вас скан в PDF, сохраните страницы картинками и загрузите их на страницу распознавания: за один раз можно выбрать до 10 картинок.
- Если в PDF уже есть настоящий текст, распознавание не нужно: его можно просто выделить мышью и скопировать. Как проверить, что в файле именно текст, описано в статье про копирование текста из PDF.
Как распознать чек, таблицу и страницу книги
- Чек. Чековая лента мелкая и блёклая, поэтому разгладьте её и снимайте при ярком свете. Включите усиление контраста, а суммы и даты потом проверьте вручную.
- Таблица. Программа вернёт текст строками, без ячеек. Чтобы восстановить таблицу, вставьте результат в Excel или Google Таблицы и разделите столбцы по пробелам.
- Страница книги. Прижмите разворот и снимайте по одной странице. Если переплёт толстый, придержите страницу пальцами за пределами текста.
- Скриншот. Он распознаётся лучше всего: буквы чёткие и ровные. Следите только, чтобы масштаб экрана был не слишком мелким.
Как подготовить снимок на телефоне
Перед распознаванием откройте снимок в галерее и обрежьте всё лишнее: стол, пальцы, края страницы. Выровняйте наклон, если страница заваливается, и чуть повысьте яркость и контраст. Сжимать фото и накладывать фильтры не нужно. Две-три минуты на подготовку сэкономят десять минут на исправлении ошибок.
Языки и ограничения
Сейчас на странице подключены русский и английский, их можно выбрать вместе: так распознаются и кириллица, и латиница в одном тексте. Другие языки пока недоступны. Хуже всего распознаются рукописный текст, мелкие шрифты на фоне с рисунком и фотографии, снятые под большим углом.
Источники
- Tesseract OCR на GitHubоткрытая программа распознавания текста; нейросетевой движок LSTM начиная с версии 4.0
- Справка Tesseract (страница руководства)разрешение 300 точек на дюйм названо типичным значением
- Документация Tesseract: как улучшить качество изображениясоветы по подготовке снимка перед распознаванием