Duitse OCR

De technologie die bekend staat als 'Optical Character Recognition' of 'OCR' maakt het mogelijk getypte, handgeschreven of gedrukte tekst elektronisch of mechanisch om te zetten in machinaal leesbare gecodeerde tekst. Dit kan gebeuren op basis van een gescand document, van een foto van een document, van een afbeelding van een scène (zoals de tekst op borden of reclameposters in een foto van een landschap) of van de tekst van ondertitels die op een afbeelding zijn gesuperponeerd (zoals die in een televisieprogramma).

OCR, wat staat voor Optical Character Recognition, wordt veel gebruikt als methode om gegevens uit papieren documenten - zoals paspoorten, facturen, bankafschriften, kwitanties, visitekaartjes, e-mails, statische gegevensafdrukken of andere soorten documentatie - in digitaal formaat in te voeren. Hierdoor kan gedrukte tekst worden gedigitaliseerd zodat deze elektronisch kan worden beheerd, doorzocht, compacter opgeslagen, online bekeken en gebruikt in geautomatiseerde processen zoals cognitieve informatica, automatische vertaling, tekst-naar-spraak en datamining. OCR is een onderzoeksgebied waarbij patroonherkenning, kunstmatige intelligentie en computervisie een rol spelen.

In het verleden moesten vroege versies van deze systemen worden getraind met beelden van elk afzonderlijk teken en werkten zij slechts met één lettertype tegelijk. Nu zijn er echter geavanceerde systemen beschikbaar die voor de meeste lettertypen een hoge herkenningsnauwkeurigheid bieden, mede dankzij de ondersteuning van diverse digitale beeldbestandsformaten voor de invoer. Bovendien zijn sommige systemen in staat de opgemaakte uitvoer zeer dicht bij de originele pagina te reproduceren, inclusief afbeeldingen, kolommen en andere niet-tekstuele elementen.