تبدیل متن عکس به فارسی و اصلاح خطاهای OCR

تبدیل متن عکس به فارسی و اصلاح خطاهای OCR

وقتی متن فقط در یک عکس، اسکرین‌شات یا اسکن تک‌صفحه‌ای دیده می‌شود، OCR می‌تواند آن را به متن قابل کپی تبدیل کند. خروجی را پیش‌نویس بدانید: متن خوانده‌شده ممکن است در نام‌ها، رقم‌ها، ترتیب خطوط یا ترکیب فارسی و انگلیسی خطا داشته باشد.

ابزار OCR فارسی جعبه‌ابزار فارسی فقط فایل تصویر می‌پذیرد و فارسی و انگلیسی را هم‌زمان تشخیص می‌دهد. نیازی به انتخاب زبان در صفحه ابزار نیست. نتیجه برای کپی‌کردن یا دریافت به‌صورت متن ساده TXT آماده می‌شود؛ این ابزار فایل PDF نمی‌گیرد و لایه متن قابل جست‌وجو به PDF اضافه نمی‌کند.

اول تشخیص دهید که ورودی تصویر است یا PDF دارای متن

عکس دوربین، اسکرین‌شات و تصویر اسکن‌شده ورودی مناسب OCR هستند. اگر فایل شما PDF است، ابتدا با Ctrl+F یک واژه شناخته‌شده را جست‌وجو کنید و چند خط را انتخاب و کپی کنید. PDFی که انتخاب‌پذیر و قابل جست‌وجو است معمولاً متن داخلی دارد و ممکن است اصلاً به OCR نیاز نداشته باشد.

برای PDF دارای متن، ابزار استخراج متن PDF مسیر مستقیم‌تری است و خروجی متن را از همان PDF می‌گیرد. اگر PDF فقط تصویر اسکن‌شده دارد و چیزی قابل انتخاب نیست، OCR تصویر می‌تواند مرحله بعدی باشد؛ اما خود ابزار OCR ورودی PDF را نمی‌پذیرد.

• یک واژه مشخص را با Ctrl+F جست‌وجو کنید.
• چند سطر را انتخاب و کپی کنید، سپس نتیجه را با صفحه بسنجید.
• اگر انتخاب ممکن نبود، فایل را اسکن تصویری فرض کنید تا زمانی که خلافش ثابت شود.

برای عکس یا صفحه اسکن‌شده، ورودی خوانا آماده کنید

تصویر صاف، روشن و بدون بریدگی از حاشیه متن انتخاب کنید. سایه، پرسپکتیو شدید، انعکاس نور و فشرده‌سازی زیاد می‌تواند ترتیب خط‌ها و شکل حروف را خراب کند. عکس اصلی را تغییر ندهید و اگر نسخه بهتری ساختید، آن را جداگانه نگه دارید.

برای PDF اسکن‌شده، فقط اگر ابزار یا نمایشگر PDF شما امکان صادرات صفحه به تصویر را می‌دهد، می‌توانید صفحه مورد نیاز را به تصویر تبدیل کنید. مسیر داخلی تبدیل PDF به تصویر نیز برای آماده‌کردن صفحه به PNG یا JPEG وجود دارد؛ پیش از OCR، خروجی تصویر را کنترل کنید. این تبدیل تنها تصویر صفحه تولید می‌کند و متن قابل جست‌وجو به PDF اضافه نمی‌کند.

پس از انتخاب تصویر، OCR فارسی فارسی و انگلیسی را با هم پردازش می‌کند. نام فایل، شماره سند یا کد را از روی نتیجه حدس نزنید؛ آن‌ها را با تصویر منبع مقابله کنید.

خروجی خام را TXT بگیرید و با منبع مقایسه کنید

پس از پایان پردازش، متن را ابتدا بدون ویرایش کپی یا به‌صورت متن ساده TXT دریافت کنید. این نسخه خام برای پیدا کردن تفاوت‌ها مفید است. سپس تصویر و متن را کنار هم باز کنید و از بالا به پایین، خط‌به‌خط پیش بروید.

نام اشخاص، نام سازمان، شماره تلفن، شماره پرونده، تاریخ، مبلغ و رقم‌های فارسی یا انگلیسی را جداگانه کنترل کنید. در متن‌های چندستونه یا راست‌به‌چپ، ترتیب خط‌ها و جابه‌جایی عبارت‌های انگلیسی را نیز بررسی کنید. سپس، در صورت نیاز، استودیوی نگارش فارسی را فقط برای پاک‌سازی فاصله و نشانه‌گذاری به کار ببرید؛ این مرحله جای کنترل داده‌ها را نمی‌گیرد.

• نام‌ها و اعداد را با تصویر اصلی تطبیق دهید.
• ترتیب خط‌ها و پاراگراف‌ها را کنترل کنید.
• عبارت‌های فارسی و انگلیسیِ کنار هم را دوباره بخوانید.
• نسخه خام TXT را تا پایان بازبینی نگه دارید.

چک‌لیست اجرایی

• نوع ورودی تصویر یا PDF با آزمون Ctrl+F و انتخاب متن مشخص شده است.
• تصویر کامل، صاف و خوانا است و نسخه اصلی نگه داشته شده است.
• نتیجه خام به‌صورت متن ساده TXT یا کپی ذخیره شده است.
• نام‌ها، اعداد، تاریخ‌ها و کدها با تصویر اصلی مقابله شده‌اند.

سوالات متداول

آیا می‌توانم PDF را مستقیم به OCR بدهم؟

خیر. OCR فارسی فقط فایل تصویر می‌پذیرد. برای PDF دارای متن از استخراج متن PDF استفاده کنید؛ برای صفحه اسکن‌شده، ابتدا فقط از یک مسیر معتبر آن را به تصویر تبدیل کنید.

آیا OCR متن را خودکار اصلاح می‌کند؟

خیر. نتیجه را با تصویر اصلی مقابله کنید و فقط پس از آن برای خوانایی از ویرایش نگارشی استفاده کنید؛ نام‌ها، اعداد و تاریخ‌ها نیاز به کنترل دستی دارند.

ابزارها و مسیرهای مرتبط

• OCR فارسی برای تصویر
• تبدیل PDF به تصویر
• استخراج متن PDF
• استودیوی نگارش فارسی
• حریم خصوصی و اعتماد

جمع‌بندی

OCR را مرحله استخراج بدانید: تصویر خوانا انتخاب کنید، خروجی TXT خام را نگه دارید و اطلاعات واقعی را با منبع کنترل کنید. پاک‌سازی نگارشی پس از این کنترل می‌آید و جای آن را نمی‌گیرد.

گام بعدی: استخراج متن از تصویر با OCR فارسی و نتیجه را مستقیماً روی دستگاه خود آماده کنید.