OCR (recunoașterea optică a caracterelor) transformă imaginea unei pagini scanate sau fotografiate în text care poate fi căutat, copiat și editat. Calitatea rezultatului depinde mai puțin de program și mai mult de imaginea de pornire: o pagină dreaptă, clară, scanată la rezoluția potrivită și cu limba corect setată dă un text aproape fără greșeli. O fotografie înclinată, umbrită sau neclară produce un text care cere corectură rând cu rând.
Cum funcționează OCR pe o pagină de carte?
Programul de OCR împarte pagina în zone (blocuri de text, imagini, tabele), apoi separă rândurile, cuvintele și literele și compară fiecare formă cu modelele de caractere pe care le cunoaște. Programele moderne folosesc și un dicționar al limbii alese: când o literă este ambiguă, aleg varianta care formează un cuvânt existent. De aceea setarea limbii române contează direct pentru diacritice și pentru cuvintele lungi.
La ce rezoluție se scanează o carte pentru OCR?
Pentru textul obișnuit de carte, 300 dpi este rezoluția standard care dă rezultate bune la OCR. Literele foarte mici, notele de subsol sau tipăriturile vechi cu cerneală ștearsă câștigă de la 400–600 dpi, în schimbul unor fișiere mai mari și al unei scanări mai lente.
| Tip de material | Rezoluție orientativă | Mod de culoare |
|---|---|---|
| Carte obișnuită, corp de literă 10–12 | 300 dpi | Tonuri de gri |
| Note de subsol, dicționare, corp mic | 400–600 dpi | Tonuri de gri |
| Hârtie îngălbenită, tipar vechi | 400 dpi | Color, cu ajustare ulterioară |
| Document de birou tipărit laser | 300 dpi | Alb-negru sau gri |
Modul alb-negru pur produce fișiere mici, dar pierde detaliile fine ale literelor, mai ales la diacritice. Tonurile de gri sunt un compromis sigur.
Se poate face OCR după o fotografie cu telefonul?
OCR după fotografie funcționează bine dacă pagina este plană, luminată uniform și fotografiată perpendicular, din față. Problemele apar la cotorul cărții, unde rândurile se curbează și literele se îngustează. Câteva reguli practice:
- lumina vine din lateral sau de sus, difuz, fără bliț, care lasă o pată albă în mijlocul paginii;
- cartea se apasă ușor cu o placă de sticlă sau se deschide cât permite cotorul, fără a-l rupe;
- telefonul se ține paralel cu pagina, iar textul ocupă aproape tot cadrul;
- se fotografiază câte o singură pagină, nu două deodată.
Cărțile vechi sau fragile se manevrează cu grijă la orice tip de digitalizare; recomandările despre protejarea cărților de umezeală, praf și lumina soarelui se aplică și aici, pentru că lumina puternică repetată decolorează hârtia.
Ce greșeli face de obicei OCR în textul românesc?
Cele mai frecvente greșeli OCR apar la literele cu forme asemănătoare și la diacritice. Corectura devine mult mai rapidă când se știe ce trebuie căutat:
- Diacritice pierdute sau schimbate: ș și ț devin s și t, iar ă și â se confundă cu a.
- Litere lipite: „rn” citit drept „m”, „cl” drept „d”.
- Cifre și litere: 0 cu O, 1 cu l sau I, 5 cu S.
- Despărțirea în silabe: cuvintele tăiate la capăt de rând rămân cu cratimă în mijlocul frazei.
- Elemente intruse: numerele de pagină și titlurile curente apar în mijlocul textului.
Funcția de căutare a editorului de text ajută la verificarea sistematică: o căutare după „s ” sau după cratimele urmate de spațiu scoate la iveală rapid o parte dintre erori.
În ce format se salvează rezultatul OCR?
Rezultatul OCR se salvează de obicei fie ca PDF cu text căutabil, fie ca document editabil. PDF-ul căutabil păstrează imaginea originală a paginii și adaugă sub ea un strat invizibil de text, util pentru arhivare și căutare. Documentul editabil sau textul simplu sunt potrivite când conținutul urmează să fie reformatat, citat sau citit pe un ecran mic.
Fișierele rezultate își găsesc locul într-o bibliotecă digitală de cărți și notițe bine organizată, cu nume de fișier care conțin autorul, titlul și anul. Pentru că scanarea unei cărți cere ore de muncă, o copie de siguranță este justificată; variantele sunt comparate în articolul despre backupul local și backupul în cloud.
Ce limite are digitalizarea unei cărți pentru uz personal?
Digitalizarea prin OCR nu schimbă statutul juridic al unei cărți: o lucrare protejată de drepturile de autor rămâne protejată și sub formă de text scanat. Copia făcută pentru studiu sau pentru citit pe alt dispozitiv nu devine, prin simpla scanare, un material care poate fi distribuit. Pentru lucrări aflate deja în format digital, varianta oficială este de regulă mai curată decât orice OCR și se poate citi direct pe un cititor de cărți electronice potrivit.
