Képből szöveg kinyerése (image to text)

A képből szöveg kinyerés (angolul image to text vagy OCR, optikai karakterfelismerés) a képen látható betűket gépelt szöveggé alakítja. Az eszköz a Tesseract nyílt forrású felismerőmotort futtatja a böngésződben. Első használatkor letölti a választott nyelv adatait (ez pár másodperc), utána a felismerés a gépeden történik: a kép nem kerül fel szerverre.

A nyelv kiválasztása számít. A magyar nyelvi adat ismeri az ő, ű, á, é és a többi ékezetes betűt, és a magyar szavakat is jobban felismeri. Ha a képen vegyesen van magyar és angol szöveg (például egy termékcímke vagy egy informatikai képernyőkép), a „magyar és angol” beállítás a legjobb.

A nyelvlistában 120 nyelv és írásrendszer közül kereshetsz, a magyartól a japánon (vízszintes és függőleges írással), kínain, arabon és héberen át a cirill és a régi grúz írásig. Egyszerre legfeljebb 3 nyelvet választhatsz, például magyart, angolt és németet egy többnyelvű dokumentumhoz.

• Több kép egymás után: a szövegek fájlnévvel elválasztva, egy dokumentumba kerülnek.
• Terület kijelölése: húzz egy téglalapot az első képen, és csak azt a részt ismeri fel (például egy táblázat egyetlen oszlopát).
• Letöltés Word-fájlként (DOCX) vagy TXT-ként, illetve másolás.
• Beillesztés: a képernyőképet Ctrl+V-vel közvetlenül beillesztheted.

• Képernyőkép egy hibaüzenetről, egy PDF-ből, amelyből nem lehet kijelölni, vagy egy videó feliratáról.
• Plakát, menü, táblázat, hirdetmény, amelyet lefotóztál, és szövegként kell továbbküldened.
• Táblára írt vázlat egy megbeszélés után (nyomtatott betűkkel írva).
• Régi gépelt levél, szkennelt oldal, amelyet szerkeszthetővé tennél.
• Névjegykártya adatai, hogy ne kelljen begépelni.

Többoldalas, szkennelt PDF-hez az OCR – szövegfelismerés PDF-ből a kényelmesebb: az oldalanként fut, és egyben adja vissza a szöveget.

A felismerés pontossága főleg a kép minőségén múlik. A Tesseract akkor dolgozik a legjobban, ha a betűk magassága a képen legalább 20–30 pixel.

Példa: egy A4-es oldalt (210 mm széles) telefonnal lefotózol úgy, hogy a lap kitölti a 4032 pixel széles képet. Ilyenkor 1 mm a papíron kb. 4032 ÷ 210 ≈ 19 pixel. Egy 11 pontos betű nagybetűmagassága kb. 2,7 mm, ez a képen kb. 52 pixel – bőven elég. Ha viszont a lap csak a kép harmadát tölti ki, ugyanez a betű kb. 17 pixel, és a hibák száma érezhetően nő.

A kép szélét érdemes levágni: minél kevesebb a háttér (asztal, kéz, árnyék), annál kevesebb a „szemét” karakter. Erre a képvágó jó.

• Hibás ékezetek (õ, û, ö helyett o). Valószínűleg angol nyelvre állt a felismerés. Válaszd a magyart, és futtasd újra.
• Összekevert betűk: l–1–I, O–0, rn–m. Ezeket a felismerés után érdemes átfutni, főleg számoknál, kódoknál, e-mail-címeknél. Bankszámlaszámot, adószámot mindig ellenőrizz az eredetin.
• Szétesett táblázat. Az OCR soronként olvas, az oszlopok szóközökké válnak. Táblázatot egyszerűbb oszloponként kivágni és külön felismertetni.
• Sötét háttéren világos betű. Ha gyenge az eredmény, fordítsd meg a színeket a kép invertálás eszközzel, vagy alakítsd fekete-fehérré nagyobb kontraszttal.
• Ferde fotó. Fotózz merőlegesen, a lap fölé tartva a telefont; a perspektivikus torzítás a sorokat összekeveri.

A felismert szöveg egy szerkeszthető mezőbe kerül: kimásolhatod, vagy letöltheted TXT-fájlként. Ha a szöveget dokumentumba tennéd, a sortöréseket gyakran érdemes kijavítani, mert a felismerő a kép sorait követi. Ha a szövegben fölösleges üres sorok vagy dupla szóközök maradtak, az üres sorok törlése és a szóközök eltávolítása eszköz egy kattintással rendbe teszi. Hosszabb szövegnél a helyesírás-ellenőrző a felismerési hibák egy részét is kiszűri.

Mivel a felismerés a böngésződben fut, iratokról, orvosi leletekről vagy szerződésekről készült képeket is nyugodtan használhatsz: a kép és a felismert szöveg sem kerül fel szerverre. Csak a nyelvi adatfájlok töltődnek le az első alkalommal, ezért ehhez az első alkalommal internetkapcsolat kell, utána már kevesebb adatforgalommal jár. Ha egy nyelv adatai már letöltődtek, a böngésző a következő alkalommal gyorsabban indítja a felismerést.