什么是 OCR 准确率?
OCR 准确率说明识别出的文字与扫描页上实际印刷内容有多接近,通常用读对的字符或词的比例表示。98% 听起来很高,但在一页 3000 个字符的文档上仍会有约 60 处错误,而发票号码或日期里错一位数字,比段落里错几十个字更严重。
什么会降低准确率
识别首先取决于图像。分辨率低会让细笔画模糊,把相似的字符混淆;页面倾斜、书脊阴影、薄纸的透印、褪色的碳粉以及压在文字上的印章,都会妨碍字符切分。手写体、罕见字体和很小的脚注会使结果更差,选错语言也一样。
识别之前先改善 / 如何核对结果
最有效的是准备好扫描件:普通印刷品以 300 dpi 左右为宜,把倾斜或横放的页面摆正,裁掉黑边,并选对文档语言。若页面混用两种语言,以主要语言识别通常也能读出其余部分,但罕见的人名仍应核对。 在页面上找一个你能看到的词来搜索。如果查看器能找到它,说明它已被识别。数字、姓名和日期要用肉眼对照,因为错误真正造成损害的正是这些地方。涉及金额、期限或法律后果时,请把识别结果当作草稿。
AuraDoc 能做什么
旋转扫描PDF会在识别前把横放的页面摆正,检测PDF语言会指出文件的识别语言,PDF OCR 会为扫描件添加可搜索的文字层。识别后的文件是新的副本,可以与原始扫描件对照。
用到这个术语的工具
提到这个术语的指南
常见问题
- OCR 准确率能达到 100% 吗?
- 无法保证。清晰、高分辨率的现代印刷品可以接近,但没有任何程序能承诺每一页都读得完美,所以重要数字要核对。
- dpi 越高一定越好吗?
- 有上限。普通文字 300 dpi 左右就够了,再高只会让文件变大,识别并不会更好。
- 为什么数字比文字更容易读错?
- 词语有上下文,程序可以纠正熟悉词里的可疑字符;数字没有这种上下文,每一位都是独立的。