Как извлечь текст из изображений и снимков экрана

Нужно скопировать текст со скриншота, отсканировать документ или оцифровать распечатанную страницу? Технология OCR делает это мгновенным, а с Presend это происходит полностью в вашем браузере.

Что такое ОКР?

OCR (оптическое распознавание символов) — это технология, которая преобразует изображения текста в машиночитаемый текст. Это то, что позволяет вам:

• Скопируйте текст со скриншота веб-сайта, который блокирует выбор
• Поиск по отсканированным PDF-файлам
• Оцифруйте печатные документы без перепечатки
• Извлечение данных из фотографий квитанций, форм или вывесок
• Переведите текст в изображениях, предварительно извлекая его

Риск конфиденциальности облачного OCR

Большинство сервисов OCR — Google Vision, Azure Computer Vision, Amazon Textract — требуют загрузки вашего изображения в их облако. Это проблематично для:

• Медицинские записи— Данные пациентов защищены HIPAA/GDPR.
• Юридические документы— Адвокатская тайна, NDA
• Финансовая отчетность— Банковские реквизиты, налоговые документы
• Конфиденциальная информация— Внутренние заметки, скриншоты исходного кода.
• Личная переписка— Личные сообщения, электронная почта

Даже службы, которые заявляют о немедленном удалении файлов, по-прежнему обрабатывают их в своей инфраструктуре, создавая контрольные журналы и потенциально подвергая риску.

Как работает Tesseract.js

Тессеракт.js— это чистый порт JavaScript механизма распознавания текста Tesseract от Google, скомпилированный в WebAssembly. Он полностью работает в вашем браузере:

1. Языковая модель (обученные данные) загружается один раз для каждого языка (~4 МБ для английского языка).
2. Изображение обрабатывается локально с использованием вашего процессора или графического процессора.
3. Распознанный текст возвращается непосредственно на веб-страницу.
4. Ничего не передается на внешний сервер

Tesseract — это тот же движок, который поддерживает Google Книги, функцию камеры Google Translate и бесчисленное множество приложений для сканирования документов. Он поддерживает100+ языковвключая такие сценарии, как арабский, китайский, японский, деванагари и кириллица.

Поддерживаемые методы ввода

• Перетащите— Перетащите любое изображение в инструмент
• Выбор файла— Нажмите, чтобы просмотреть и выбрать изображение.
• Вставить из буфера обмена— Нажмите Ctrl+V (или Cmd+V) в любом месте страницы, чтобы вставить снимок экрана напрямую.

Советы по точности

• Разрешение имеет значение— Изображения с более высоким разрешением дают лучшие результаты. Разрешение 300 DPI идеально подходит для отсканированных документов.
• Контраст – это ключ к успеху— Лучше всего смотрится темный текст на светлом фоне. Инвертированные цвета или низкий контраст снижают точность.
• Минимизировать перекос— Прямой, не повернутый текст легче распознать.
• Чистые изображения— Удалите шум, складки и тени, если это возможно.
• Правильный язык— Выберите нужный язык из раскрывающегося списка. Текст на разных языках работает, но может иметь меньшую точность.

Варианты использования

• Студенты— Копирование текста с фотографий учебника или слайдов лекций.
• Разработчики— Извлечение кода из снимков экрана или сообщений об ошибках
• Журналисты— Цитировать текст из изображений документов
• Исследователи— Оцифровка печатных статей и статей.
• Администраторы— Преобразование отсканированных форм в редактируемый текст
• Путешественники— Читать вывески, меню и документы на иностранных языках

Пошаговое руководство

1. Откройте инструмент— Иди вСкриншот в текст
2. Выберите язык— Выберите язык текста на вашем изображении
3. Загрузите или вставьте— Перетащите изображение, щелкните, чтобы выбрать, или нажмите Ctrl+V, чтобы вставить его из буфера обмена.
4. Ждите признания— Обработка занимает несколько секунд в зависимости от размера изображения
5. Просмотр и редактирование— Проверьте извлеченный текст на наличие ошибок.
6. Скопируйте или скачайте— Сохранить как файл .txt или скопировать в буфер обмена.

Ограничения

• Почерк— Тессеракт лучше всего работает с печатным текстом. Рукописный или неряшливый почерк имеет меньшую точность.
• Сложные планировки— Текст, таблицы и формы, состоящие из нескольких столбцов, могут потребовать переформатирования вручную.
• Декоративные шрифты— Стилизованный или художественный текст может быть не распознан.
• Очень маленький текст— Текст размером менее 10 пикселей может быть пропущен.