Tekstin skannaaminen

tekstinscannausohjelmalla.Asenna ohjelma ja scannaa tekstipaperi

Tarvitse OCR ohjelman. Jonkinlainen, yleensä varsin hyvä, löytyy suurella varmuudella skannerin asennuslevyjen mukana.

[OCR = Optical Character Recognition]

OCR ohjelmien tarkkuus liikkuu nykyisin 97-99% kieppeillä, kun skannaus on onnistunut. Tämä tarkoittaa että 1-3 per sataa kirjainta kohden tunnistetaan väärin. Eli tunnistusvirheet ovat tavallisia ja joudut editoimaan tekstiä. Lisäksi rivinvaihdot ja tavuviivat voivat aiheuttaa ongelmia.

OCR ohjelmia käytettäessä siinä on seuraavat työvaiheet:

1. Skannataan asikirjan teksti, yleensä suurella resoluutiolla mustavalkoisena (siis täysin valkoisia ja mustia pikseleitä sisältävä kuva). B&W kuvan skannaus kestää yleensä vain 15 sekunttia.

2. Valitaan tunnistus alue, jolta ohjelma yrittää tunnistaa tekstin, tämän vaiheen ohjelma tekee oletuksena automaattisesti, mutta manuaalisesti tekemällä saa ehkä parempia tuloksia.

3. Tunnistetaan teksti, eli ohjelma analysoi kuvan sisältöä algoritmeillään ja hahmottaa kirjaimet. Tähän menee ehkä 20 sekunttia / A4

3b. Silmäilen tekstin läpi ja korjaan käsin tunnistusvirheet (ohjelmat merkkaavat yleensä epävarmat sanat, jos käytetään oikolukua, niin ohjelma osaa näyttää myös kirjoitusvirheet). Tähän vaiheeseen ei mene kovin kauan koska virheitä ei yleensä ole kuin muutamia. Uudelleen tunnistus tai uudelleen skannaus ei yleensä auta tunnistustarkkuuteen.

4. Kopioidaan teksti leikepöydälle tai talletetaan tiedostoon (yleensä itse en käytä suoraa talletusta, vaan kopsaan tekstin leikepöydälle ja liitän Word asiakirjaan).

Huom! Käytä hieman aikaa asetusten läpikäymiseen erityisesti asikirjan kielen määritys on tärkeää: Englannin kieli on nimittäin usein vakiona päällä, jolloin ä, ö ja å tulkitaan mahdollisesti a:ksi ja o:ksi, jos ohjelmassa ei ole suomea, niin ruotsi löytyy varmasti, joka ajaa saman asian), jotkut ohjelmat osaavat myös käyttää MS Officen oikolukua, joka parantaa tekstin tunnistusta hieman.

Hienoinen säätö skannauksen tummuuteen auttaa ehkä parantamaan tunnistustarkkuutta ja vähentää kohinaa (kohinan aiheuttamat roskat ohjelma saattaa tulkita pilkuksi ja pisteeksi).

Skannaus ohjeita:

Pyri laittamaan skannattava teksti suoraan. Ohjelmat toki osaavat suoristaa kuvan, mutta aina se ei onnistu hyvin ja ohjelmallinen suoristus heikentää hieman tunnistustarkkuutta.

Pitkässä dokumentissa skannaa useita sivuja peräkkäin (esim. 10) ja vasta sitten tee tekstin tunnistus. Tällä tavoin saavutat selvästi suuremman työskentely nopeuden ja muutenkin ohjelman käyttö on miellyttävämpää, koska ei tarvitse jatkuvasti hyppiä eri työskentely vaiheiden välillä.

Käytä mieluummin manuaalista tekstialueen määritystä (eli itse vedät tunnistusalueen tunnistettavan tekstin yli), tällöin tunnistus on nopeampaa ja varmempaa, koska ohjelman ei tarvitse analisoida tekstiin kuulumattomia osia (kuvia, varjoja, roskaa). Kuvat kannattaa skannata erikseen kuvankäsittely ohjelmalla.