Text aus einem Bild auslesen

Wie das Bild gelesen wird

Die Größe, die die Erkennung braucht, wird an der Schrift gemessen, nicht an der Datei. Die Höhe einer Textzeile wird aus dem Bild selbst geschätzt, und alles wird so skaliert, dass eine Zeile bei etwa vierunddreißig Pixeln landet – ein kleiner Screenshot wird bis zum Vierfachen vergrößert, ein riesiges Foto verkleinert, wobei die längste Seite in beiden Fällen begrenzt ist. Deshalb ist ein Foto einer Speisekarte mit neun Megapixeln nicht genauer als ein scharfes kleines, und deshalb überspringt ein Bild mit weniger als etwa dreihundert Pixeln an der kürzesten Seite die Spracherkennung ganz und wird als lateinische Schrift gelesen. Davor wird das Papier hinter der Schrift abschnittsweise geschätzt und herausgerechnet, um die Ausleuchtung anzugleichen, die Schräglage der Seite über ihre gesamte Höhe gemessen und gerade gedreht, und das Ergebnis mit einem einzigen globalen Schwellenwert auf Schwarz-Weiß reduziert.

Die Wahl der Sprache ist ein Vorsprechen, kein Nachschlagen, denn der übliche Detektor erkennt gar keine Sprachen. Der erste Durchgang meldet die Schrift und die Drehung, sonst nichts; die Schrift grenzt die Auswahl ein, die Spracheinstellungen Ihres Browsers entscheiden zwischen Sprachen mit derselben Schrift, und dann wird jeder Kandidat tatsächlich eingesetzt, um eine verkleinerte Kopie des Bildes zu lesen, und danach bewertet, wie viele sicher erkannte Wörter er liefert. Der Gewinner liest die echte Seite, und der erkannte Text wird noch einmal geprüft – auf diakritische Zeichen, typische Buchstabenpaare, häufige kurze Wörter –, um festzustellen, ob eine andere Sprache besser abschneiden würde. Das ist die Mechanik hinter „die falsche Sprache liefert zuverlässig eine leere Seite“: Das Vorsprechen gibt es genau dafür, dass die Vermutung an Ihrem Bild getestet und nicht einfach behauptet wird.

Eines sollten Sie darüber wissen, was im Ergebnis landet. Ein Absatz, bei dem sich die Erkennung nicht sicher war, wird weggelassen statt angezeigt – Text, den Sie im Bild sehen, kann also ganz im Ergebnis fehlen, statt als Unsinn zu erscheinen. Dasselbe gilt für Bereiche, die als Bild oder Rauschen eingestuft wurden, und für einzelne Zeichen ohne Buchstaben oder Ziffern. Für gewöhnliche unsichere Wörter gibt es keinen solchen Schnitt, Fehllesungen innerhalb eines Absatzes bleiben also stehen, und es liegt an Ihnen, sie zu finden. Wenn der Sicherheitswert ordentlich ist und ein Stück der Seite einfach fehlt, ist genau das passiert.

Wenn Sie etwas anderes brauchen

Es wird nichts gespeichert, aber dies ist das eine Tool auf der Website, bei dem der erste Durchlauf nicht umsonst ist: Die Erkennung selbst umfasst ein paar Megabyte, und jedes Sprachpaket noch einmal ein bis fünf – geladen von dieser Website und dann für das nächste Mal aufbewahrt. Für eine einzelne Seite lohnt sich das Warten, für zweitausend Scans nach Zeitplan nicht – dafür ist ein Desktop-OCR-Tool wie OCRmyPDF da, das einem ganzen Ordner mit einem Befehl eine Textebene hinzufügt, ohne Download und ohne Klicken.

Drei Dinge werden hier gar nicht erst versucht, und es geht schneller, sie zu kennen, als sie zu entdecken. Die Perspektive wird nicht korrigiert – die Seite wird auf Drehung gemessen und gerade gerichtet, aber ein von der Seite aufgenommenes Foto behält seine Trapezform, deshalb lohnt sich die zusätzliche Sekunde, direkt von oben zu fotografieren. Der Schwellenwert, der Schrift von Papier trennt, ist ein einziger Wert für das ganze Bild statt einer pro Bereich, sodass bei einer halb verschatteten Seite die dunkle Hälfte verloren geht, auch nachdem die Ausleuchtung angeglichen wurde; fotografieren Sie sie lieber noch einmal bei gleichmäßigem Licht, statt dagegen anzukämpfen. Und eine Tabelle, die mit Abständen statt mit Linien gesetzt ist, hat keine Linien, die sich finden ließen – sie wird als Textspalten gelesen und übersteht das Einfügen in eine Tabelle nur mit Glück.