Afbeelding naar tekst

Wat gebeurt er met uw afbeelding

Afbeelding naar tekst, ook wel OCR (Optical Character Recognition) genoemd, bekijkt de vormen van de letters in een afbeelding en bepaalt welke tekens het zijn. Hier wordt dat werk gedaan door een open-source OCR-engine, Tesseract, die binnen uw browsertabblad draait. De eerste keer dat u een taal gebruikt, downloadt uw browser het model van die taal van deze site, tussen de één en drie megabytes. Daarna wordt de afbeelding op uw eigen apparaat gelezen.

Niets van de afbeelding wordt ergens naartoe gestuurd: niet naar DocTranslator, niet naar een OCR-service. Dat is belangrijk voor de dingen die mensen het vaakst fotograferen om te lezen, zoals een brief van een kantoor, een recept, een contractpagina of een paspoort.

Hoe u schone tekst uit een foto krijgt

OCR is alleen zo goed als de afbeelding die het leest. Vier dingen maken het grootste verschil:

• Kies eerst de juiste taal. De engine leest met het alfabet en de woordenschat van de taal die u kiest. Russisch lezen als Engels levert nonsens op, en accenten in het Frans of Pools gaan verloren als de taal verkeerd is.
• Fotografeer de pagina plat en recht. Houd de telefoon recht boven het papier, vul het kader met de pagina en vermijd een kromming bij de rug van een boek. Lijnen die buigen, verwarren de engine meer dan een kleine afbeelding.
• Verlicht het gelijkmatig. Een schaduw over de pagina, of de schittering van een flits op glanzend papier, verbergt letters. Daglicht van een raam, zonder de flits, werkt meestal het beste.
• Houd het scherp. Tik op het scherm om scherp te stellen op de tekst voordat u de foto maakt. Kleine letters moeten groot genoeg in de afbeelding zijn om met uw eigen ogen te kunnen lezen.

Wat OCR fout doet

Zelfs een goede scan komt terug met een paar fouten, en die zijn meestal hetzelfde: de letter l gelezen als het cijfer 1, O als 0, rn als m, een komma verloren aan het einde van een regel. Namen, cijfers en datums verdienen een tweede blik voordat u ze ergens kopieert waar het ertoe doet.

Handschrift is veel moeilijker dan drukwerk, en verbonden handschrift wordt vaak slecht of helemaal niet gelezen. De uitvoer is platte tekst, dus de lay-out van de pagina wordt niet behouden: kolommen worden na elkaar gelezen, en een tabel komt terug als regels met woorden. Als u de lay-out ook nodig heeft, is de volgende sectie de manier om deze te behouden.

Wanneer u de tekst in een andere taal nodig heeft

Het kopiëren van de tekst naar een vertaler gaat verloren: de stempels, de tabel, waar elke regel stond. Om een gescand document te vertalen met de lay-out ervan, uploadt u de scan in plaats daarvan naar DocTranslator. Het leest de scan met OCR, vertaalt de tekst en retourneert een bestand dat eruitziet als het origineel, in een van de 108 talen.

De browsertool op deze pagina leest Engels, Spaans, Frans, Duits, Italiaans, Portugees, Russisch, Oekraïens, Pools, Turks, Arabisch, Hindi, Chinees (Vereenvoudigd), Japans, Koreaans en Vietnamees. In een gescande PDF leest het de eerste 5 pagina's; een vertaling leest elke pagina, in elke taal die DocTranslator ondersteunt.