Warum OCR manche Wörter falsch liest und wie du ein saubereres Ergebnis bekommst

Wie OCR eine Seite liest

OCR liest nicht so wie du. Es zerlegt die Seite in Blöcke, Zeilen und Wörter, vergleicht die Form jedes Wortes mit dem Aussehen von Wörtern der gewählten Sprache und nimmt die wahrscheinlichste Lesart. Es weiß nie, ob es recht hat; es wählt die beste Übereinstimmung, die es findet.

Deshalb ist die Bildqualität so wichtig. Bei etwa 300 Punkten pro Zoll hat normaler Fließtext genug Details, damit jeder Buchstabe eindeutig ist. Bei der Hälfte beginnen ein „e“ und ein „c“ oder „rn“ und „m“ sich zu ähneln, und die Vermutungen werden schlechter.

Die üblichen Fehlerursachen

• Unschärfe. Ein Foto in Bewegung oder mit dem Fokus auf der falschen Stelle der Seite. Kanten verschwimmen, und Buchstaben laufen ineinander.
• Schatten und Spiegelungen. Der Schatten einer Hand oder eines Handys oder eine glänzende Seite, die eine Lampe spiegelt, löscht einen Teil einer Zeile aus.
• Kleine oder blasse Schrift. Fußnoten, verblasste Belege und hellgrauer Text haben zu wenige dunkle Punkte.
• Eine gewölbte oder schiefe Seite. Die Mitte eines dicken Buchs biegt die Zeilen; eine schräg fotografierte Seite staucht eine Seite.
• Die falsche Sprache. Eine französische Seite, als Englisch gelesen, ergibt selbstbewussten Unsinn, weil die Formen mit den falschen Wörtern verglichen werden.
• Handschrift. OCR ist für gedruckte Buchstaben gebaut. Saubere Großbuchstaben klappen manchmal, Schreibschrift meist nicht.

Ein besseres Bild bekommen

1. Leg die Seite flach hin und fotografiere sie gerade von vorn, sodass der Text den größten Teil des Bildes füllt.
2. Nutze gleichmäßiges Tageslicht oder dreh die Lampe so, dass kein Schatten auf die Seite fällt. Schalte bei glänzendem Papier den Blitz aus.
3. Tippe auf den Bildschirm, um auf den Text scharfzustellen, halte still und prüfe, ob das Foto scharf ist, bevor du es hochlädst.
4. Mach einen Screenshot in der Größe, in der du liest; zoome vorher nicht heraus.
5. Wähle am Scanner 300 DPI. Farbe ist für Text nicht nötig: Graustufen sind genauso genau und viel kleiner.

Das Ergebnis prüfen

Lies das Ergebnis mit dem Bild gegen, bevor du dich darauf verlässt, und achte vor allem auf das, was OCR nicht auf Plausibilität prüfen kann: Namen, Zahlen, Daten, Beträge und Codes. Ein falsch gelesener Buchstabe in einem Wort fällt meist auf, eine falsch gelesene Ziffer in einer Kontonummer nicht. iBuildPDF nennt die Sprache, in der der Text gelesen wurde; ist sie falsch, wähle die richtige und starte erneut. Mehr dazu in wie du ein umgewandeltes Dokument prüfst.