Hogyan másolj szöveget képernyőképről vagy fotóról a saját eszközödön

A szöveg képernyőképről vagy fotóról való kimásolásához OCR-re van szükséged, vagyis optikai karakterfelismerésre. Ez olyan szoftver, amely megkeresi a betűket a képen, és olyan karakterekké alakítja őket, amelyeket ki tudsz jelölni, szerkeszteni és beilleszteni. Illeszd be vagy húzd bele a képet a Kép szöveggé alakítása eszközbe, és a szavak szerkeszthető szövegként jelennek meg. A felismerés a böngészőben történik, a képet pedig sehová nem töltjük fel. A Google Drive, OnlineOCR.net és Adobe Acrobat összehasonlítása bemutatja az online alternatívákat, és azt, hogy mit kezdenek a fájloddal.

Kép szöveggé alakításaKépen lévő szöveg nem másolhatóPróbáld ki ingyen

Hogyan olvassa ki az OCR a képet egyszerű szavakkal

A kép tulajdonképpen színes pontok rácsa. Az OCR lépésekben dolgozik. Először szöveges blokkokat és az azokon belüli sorokat keresi. Ezután minden sort betűalakok sorozatára bont, és eldönti, melyik karakter a legvalószínűbb az egyes alakokhoz. Végül angol nyelvű szövegek nagy mennyiségéből tanult mintákat használ, hogy a hasonló jelöltek közül válasszon. Így az „rn” és az „m”, vagy az „l” és az „I” közötti döntést a környező szavak hozzák meg.

Az eszköz mögött a Tesseract áll, egy nyílt forráskódú OCR-motor, amelyet Apache 2.0 licenc alatt adtak ki. Ez az oldal a tesseract.js könyvtáron keresztül a WebAssembly formátumra fordított változatot használja, amelyet a böngészők közel natív sebességgel tudnak futtatni. Egy neurális hálózaton (LSTM) alapuló angol nyelvi modellt használ. Első használatkor a motor és a modell letöltődik, a böngésző pedig eltárolja őket későbbi használatra. Ezt követően a felismerés az eszközödön történik.

A korlátok ebből a felépítésből következnek. A modell angol nyelvre és az ékezet nélküli latin ábécé szövegére készült. Más ábécék, például a cirill, az arab vagy a kínai nem támogatottak, az ékezetes betűket pedig nem olvassa megbízhatóan. A kézírás másik probléma, és nem erre az eszközre való.

Miért könnyebben olvashatók a képernyőképek a fotóknál

A képernyőkép a szöveg olyan, ahogy a számítógép kirajzolta: éles szélek, ismert méret, egyszínű felület, perspektíva nélkül. Ugyanennek a szövegnek a fotója mindent tartalmaz, amit a kamera látott: az oldal dőlésszögét, árnyékokat, meggörbült papírt, fényvisszaverődést, mozgási elmosódást, és a telefonok által a helytakarékosság miatt alkalmazott tömörítést. Ezek mindegyike megváltoztatja azokat az alakokat, amelyeket az OCR-nek illesztenie kell.

A méret is számít. Nagyjából ez a szabály érvényes: az OCR akkor működik a legjobban, ha a nagybetűk legalább 20–30 pixel magasak. Egy kis előnézeti képen a szöveg túl apró lehet ahhoz, hogy szét lehessen választani, egy erősen összezsugorított képernyőképen pedig szürkébe olvad. Az eszköz a felismerés előtt felnagyítja a kis képeket, ami segít, de nem tudja visszaállítani azt a részletet, amely a fájlban sosem volt meg. Ha lehet, a képernyőképet a szöveg képernyőn látható méretében készítsd el, és ne kicsinyítsd le az oldalt csak azért, hogy több férjen rá.

A sötét módú képernyőképek külön esetet jelentenek. A fehér szöveg sötét háttéren sok OCR-motornak nehezebb, ezért az eszköz a felismerés előtt invertálja ezeket a képeket. Neked nem kell semmit tenned. A nagyon alacsony kontrasztú sötét képernyő, például a sötétszürke alapon lévő szürke szöveg, így is gyengén fog olvasódni.

Tippek a tiszta eredményhez

• Vágd a szöveghez. Először távolítsd el az eszköztárat, az ikonokat és a gombokat. Vágd ki a képet úgy, hogy csak a szükséges szövegblokk maradjon. Kevesebb zaj kevesebb olyan szót jelent, amelyet az eszköznek találgatnia kell.
• Egyenesítsd ki a fotót. Tartsd a telefont párhuzamosan az oldallal, hogy a sorok vízszintesek legyenek. A ferdén fekvő oldal rosszabbul olvasódik, a keret szélére futó sor utolsó betűi pedig elveszhetnek. Ha a fotó oldalt fekszik, előbb forgasd el, vagy nézd meg az oldalra fordult fotóról szóló útmutatót.
• Használj egyenletes fényt. Az oldal felől érkező nappali fény a legjobb, a fényes lapról visszaverődő vaku a legrosszabb. Az oldal felét átszelő árnyék kettévágja az olvasást.
• Állj közel, de ne túl közel. Töltsd ki a keretet a szöveggel. Az egész oldalról készült távoli fotó a pixeleit a margókra pazarolja.
• Kerüld az erős tömörítést. Az üzenetküldő alkalmazás, amely alacsony minőségű másolatként küldi el a fotót, kidobta a részleteket. Küldd el az eredeti fájlt, vagy készítsd újra a képernyőképet.

Ellenőrizd az eszköz által megjelölt szavakat

A felismerés után az eszköz három számot mutat: a szavak számát, az átlagos megbízhatóságot és az ellenőrizendő szavak számát. A képen pirossal is megjelöli azokat a szavakat, amelyekben bizonytalan. A piros szavakat hasonlítsd össze az eredeti anyaggal, mielőtt felhasználod a szöveget, mert ezeken a helyeken téved leggyakrabban az OCR.

A szokásos összetévesztések kiszámíthatók: az O betű és a 0 számjegy, a nagy I és a kisbetűs l, az 1-es számjegy, az S betű és az 5-ös számjegy, valamint a vessző, amelyet pontnak olvas. Az összegeket és a kódokat kell a legalaposabban ellenőrizni, mert egyetlen rossz számjegy teljesen megváltoztathatja a jelentést. Az átlagos megbízhatóság egy egész oldal megítélésére hasznos. Ha alacsony, valószínűleg maga a kép a probléma, és egy jobb fotó többet ér bármilyen utószerkesztésnél.

Sorok összefűzése bekezdésekké

Az OCR a szöveget úgy adja vissza, ahogy a sorok az oldalon megjelennek. Ha keskeny hasábból másolsz ki egy bekezdést, előfordulhat, hogy minden vizuális sor külön sorként jön ki. A sorok bekezdésekké fűzése opció eltávolítja ezeket a sortöréseket, így a szöveg ismét folyamatos lesz. Ne használd listákhoz, versekhez, címekhez, kódhoz vagy táblázatokhoz, ahol a sortörések jelentést hordoznak. Ha már kimásoltál megtört szöveget PDF-ből vagy e-mailből, a Beillesztett szöveg javítása eszköz kijavítja a sorokat abban a szövegben. A PDF-másolási útmutató magyarázza, miért keletkeznek ezek a törések.

Ha a szöveg rendben van, használd a Szöveg másolása gombot, vagy a Mentés .txt gombot, ha fájlt szeretnél.

Miért fontos, hogy a felismerés az eszközön történjen

A képernyőképeken gyakran olyan dolgok szerepelnek, amelyeket nem szeretnél idegen szerverre feltölteni: bankadatok, beszállókártya, orvosi levél, privát üzenet. Sok online OCR-oldal a képet a saját szervereire küldi, hogy azok felolvassák. Ez az eszköz nem. A böngészőben fut, fiók és feltöltés nélkül.

A szöveg felolvasása egy feladat, a részek elrejtése másik. Ha a képernyőkép egyes részeit meg kell takarnod, mielőtt megosztod, előbb használd a Kép kitakarása eszközt, majd a szövegolvasót a megosztásra szánt változaton futtasd. A képernyőképek biztonságos kitakarásáról szóló útmutató többet mond arról, mit érdemes elrejteni.

Lépésről lépésre a fixmint-tel

1. Nyomd meg a Ctrl+V billentyűkombinációt a képernyőkép beillesztéséhez, húzz ide egy fotót, vagy koppints rá a kiválasztáshoz.
2. Várd meg, amíg a felismerés befejeződik, majd ellenőrizd a szavak, a megbízhatóság és az ellenőrizendő értékeket.
3. Nézd meg a képen pirossal jelölt szavakat, és javítsd őket a Szöveg mezőben.
4. Pipáld be a Sorok összefűzése bekezdésekké opciót csak folyó szöveg esetén, majd kattints a Szöveg másolása vagy a Mentés .txt gombra.

Gyors válaszok

Miért tart egy ideig az eszköz először? Letölti az OCR-motort és az angol nyelvi modellt, amelyek nagy méretűek. A későbbi használatkor a gyorsítótárazott fájlokat használja újra.

Miért hibás egy szó, ha a többi jó? A motor a legvalószínűbb karaktert választotta egy olyan alakhoz, amely nem volt egyértelmű. Nézd meg a megjelölt szót, és javítsd a szövegmezőben.

Fel tudja olvasni egy egész könyv? Egyszerre egy képet olvas. A nagyon nagy képek sok memóriát használnak és lassabbak, ezért egy hosszú dokumentumot előbb oldalakra kell bontani.