Lấy chữ từ hình ảnh

Bức ảnh được đọc như thế nào

Kích thước lý tưởng được đo từ nét chữ chứ không phải từ file. Chiều cao một dòng chữ được ước tính từ chính bức ảnh và mọi thứ được co giãn để mỗi dòng cao khoảng ba mươi tư pixel — ảnh chụp màn hình nhỏ được phóng to tới bốn lần, còn ảnh chụp khổng lồ được thu nhỏ, và cạnh dài nhất luôn có giới hạn. Vì vậy một bức ảnh chín megapixel chụp thực đơn không chính xác hơn một ảnh nhỏ sắc nét, và một ảnh có cạnh ngắn dưới khoảng ba trăm pixel sẽ bỏ qua hoàn toàn bước nhận diện ngôn ngữ và được đọc như chữ Latin. Trước tất cả những bước đó, nền giấy phía sau nét chữ được ước tính theo từng vùng và loại bỏ để cân bằng ánh sáng, độ nghiêng của trang được đo trên toàn bộ chiều cao và xoay cho thẳng, rồi kết quả được chuyển thành đen trắng theo một ngưỡng chung duy nhất.

Chọn ngôn ngữ là một vòng thử giọng chứ không phải tra cứu, vì bộ nhận diện thông thường thực ra không nhận diện ngôn ngữ. Lượt đầu chỉ báo hệ chữ và góc xoay, không gì hơn; hệ chữ thu hẹp phạm vi, cài đặt ngôn ngữ trong trình duyệt của bạn phân định giữa các ngôn ngữ dùng chung hệ chữ, rồi từng ứng viên được dùng thật để đọc một bản thu nhỏ của bức ảnh và được chấm điểm theo số từ nó đọc ra một cách chắc chắn. Ứng viên thắng sẽ đọc trang thật, và văn bản nhận được lại được kiểm tra — về dấu phụ, các cặp chữ đặc trưng, các từ ngắn thông dụng — xem một ngôn ngữ khác có cho kết quả tốt hơn không. Đây là cơ chế đằng sau câu “chọn sai ngôn ngữ sẽ cho bạn một trang trống đầy tự tin”: vòng thử giọng tồn tại chính là để phỏng đoán được kiểm chứng trên bức ảnh của bạn thay vì chỉ được khẳng định.

Có một điều nên biết về những gì xuất hiện trong kết quả. Đoạn văn mà công cụ không chắc chắn sẽ bị bỏ đi thay vì hiển thị, nên chữ bạn nhìn thấy trong ảnh có thể vắng mặt hoàn toàn trong kết quả thay vì hiện ra dưới dạng ký tự vô nghĩa. Điều tương tự áp dụng cho các khối bị xếp loại là hình ảnh hoặc nhiễu, và các dấu lẻ tẻ không chứa chữ cái hay chữ số nào. Không có ngưỡng loại bỏ nào cho từng từ có độ tin cậy thấp, nên lỗi đọc bên trong một đoạn vẫn còn đó và bạn cần tự phát hiện. Khi chỉ số độ tin cậy khá ổn mà một phần của trang đơn giản là không có, thì đó là điều đã xảy ra.

Khi bạn cần công cụ khác

Không lưu trữ gì cả, nhưng đây là công cụ duy nhất trên trang mà lần chạy đầu tiên không nhẹ nhàng: bản thân bộ đọc nặng vài megabyte và mỗi gói ngôn ngữ thêm từ một đến năm megabyte, được tải từ trang này rồi giữ lại cho lần sau. Một trang thì đáng để chờ, còn hai nghìn bản scan chạy theo lịch thì không — đó là việc của công cụ OCR trên máy tính như OCRmyPDF, thêm lớp văn bản cho cả thư mục chỉ bằng một lệnh, không phải tải gì và không phải bấm gì.

Có ba việc công cụ này đơn giản là không làm, và biết trước sẽ nhanh hơn tự phát hiện ra. Phối cảnh không được chỉnh — trang được đo góc xoay và làm thẳng, nhưng ảnh chụp từ một bên vẫn giữ hình thang, nên chụp thẳng từ trên xuống đáng bỏ thêm một giây. Ngưỡng tách nét chữ khỏi nền giấy là một giá trị duy nhất cho cả bức ảnh thay vì riêng cho từng vùng, nên một trang có nửa nằm trong bóng tối sẽ mất phần tối ngay cả sau khi cân bằng ánh sáng; hãy chụp lại dưới ánh sáng đều thay vì cố xoay xở. Và một bảng được căn bằng khoảng trắng thay vì đường kẻ thì không có đường kẻ nào để tìm, nên được đọc như các cột văn bản và dán vào bảng tính mà vẫn đúng chỉ là nhờ may mắn.