Что такое OCR и как работает распознавание текста

Три буквы OCR встречаются везде, где картинку превращают в текст: в сканерах, переводчиках по фото, поиске по PDF. Расшифровывается это как Optical Character Recognition, оптическое распознавание символов. Если совсем просто: технология, которая смотрит на изображение, находит на нём буквы и превращает их в текст, который можно выделить, искать и редактировать.

Зачем это нужно

Любая фотография или скан для компьютера это набор пикселей. Глазами вы видите слова, а программа видит цветные точки, поэтому по картинке не работает ни поиск, ни копирование. OCR закрывает этот разрыв: достаёт из изображения собственно текст. Благодаря ему по отсканированному договору ищется слово, с фото страницы копируется абзац, а бумажный архив становится доступным для поиска.

Как это работает по шагам

Внутри распознавание распадается на несколько этапов.

1. Подготовка изображения. Программа выравнивает страницу, повышает контраст, убирает шум и тени, чтобы буквы стали чёткими.
2. Поиск текста. Определяется, где на картинке строки, слова и отдельные символы, а где рисунки и пустоты.
3. Распознавание символов. Каждый найденный знак сопоставляется с буквой или цифрой по его форме.
4. Проверка по контексту. Результат сверяется со словарём и логикой языка, так исправляются очевидные ошибки вроде «rn» вместо «m».
5. Сборка результата. Распознанное собирается обратно в текст, по возможности с исходной структурой: абзацами, списками, таблицами.

Что OCR даётся труднее всего

Идеально распознаётся ровный печатный текст на чистом фоне. Сложности начинаются на рукописи, плохом качестве снимка, хитрой вёрстке в несколько колонок и редких шрифтах. Насколько хорошо инструмент справляется с трудными случаями, сильно зависит от того, как он устроен внутри, но об этом в отдельном разборе про нейросети и классический OCR.

Где вы уже пользуетесь OCR

Скорее всего, чаще, чем думаете. Поиск по PDF, перевод вывески по фото, ввод реквизитов карты камерой в банковском приложении, распознавание номеров машин на парковке: везде под капотом работает та же технология.

Как попробовать

Самый простой способ увидеть OCR в деле: загрузить снимок и распознать текст с фото, а для многостраничных документов есть распознавание PDF в Word с сохранением структуры.