Anleitung zur Verwendung der OCR-Software ABBYY FineReader 9.0 Professional Edition

Transkript

1 Anleitung zur Verwendung der OCR-Software ABBYY FineReader 9.0 Professional Edition vers. 2.0

2 Inhaltsverzeichnis 1.Allgemeines zum ABBY FineReader und OCR Tipps zum Einscannen Schriftgröße Begradigen von Textzeilen Verringern der Bildgröße Schnellanleitung / Quickstart Verbessern der OCR-Qualität Bearbeiten von Bildern Begradigen von Textzeilen, Entzerren von Bildern OCR-Optionen Erneutes Ausführen des Lesevorgangs Zeichen/Schrift wird falsch erkannt Beispiel: Korrektur falsch erkannter Zeichen Nicht erkannte Texte, Bilder und Tabellen Beispiel: Bereiche manuell ändern...18

3 1. Allgemeines zum ABBYY FineReader und OCR ABBYY FineReader ist eine OCR Anwendung (Optical Character Recognition = optische Zeichenerkennung), die eingesetzt wird, um Ausdrucke, PDF Dokumente und Abbilder von Dokumenten in Dateien zu konvertieren, die am Computer bearbeitet werden können. 1.1 Erstellen von Dokumentabbildern / Scanns Um OCR für ein Dokument ausführen zu können, benötigt ABBYY FineReader ein Abbild des Dokuments.Dieses Bild erhalten Sie durch Einscannen des Papierdokuments. Hierzu wird der Bookeye3-Scanner und die Scann-Software BCS-2 Wenn Sie schon über ein Bild des Dokuments verfügen, kann dieses sofort im FineReader verwendet werden. verwendet. 2. Tipps zum Einscannen Die OCR Qualität hängt sehr stark von der Qualität des Ausgangsbilds ab. Nachfolgend werden einige Dokumenteigenschaften aufgelistet, die vor dem Scannen des Dokuments berücksichtigt werden sollten. 2.1 Schriftgröße: Für optimale OCR Ergebnisse müssen Dokumente, deren Schriftgröße sehr klein ist, mit einer höheren Auflösung eingescannt werden. Mehr als 10 pt (reguläre Texte) - Scann mit 300 dpi Unter 10 pt - Scann mit 400 bis 600 dpi Allgemein - Scann nicht kleiner als 300 und nicht größer als 600 dpi Diese Einstellung sollte in der Scann-Software, BCS-2, vorgenommen werden. 1

4 2.2 Begradigen von Textzeilen Beim Einscannen sehr dicker Bücher wird der Text im Bereich der Bindung verzerrt erscheinen. Ganz ähnlich kann auch mit einer Digitalkamera aufgenommener Text im Randbereich verzerrt sein. Diese Einstellung kann ggf. in der Scann-Software, aber auch im Abby FineReader unternommen werden. Wenn das eingescannte Dokument verstreute Pixel, verzerrte Zeilen oder invertierte Farben enthält, können Sie diese Fehler manuell beheben. Diese Einstellung kann ggf. in der Scann-Software, aber auch im Abby FineReader unternommen werden. 2.3 Verringern der Bildgröße Wenn ein Dokumentabbild keine farbigen Grafiken, Schriftarten oder Hintergründe aufweist bzw. wenn die Farben im Ausgabebild nicht erhalten bleiben müssen, bietet es sich an, das Abbild als Schwarz Weiß Bild zu speichern. Schwarz Weiß Bilder benötigen weniger Speicherplatz. Diese Einstellung kann ggf. in der Scann-Software, aber auch im Abby FineReader unternommen werden. Siehe Abschnitt 4: Verbessern der OCR-Qualität 2

5 3. Schnellanleitung / Quickstart 1. ABBYY FineReader 9.0 Professional Edition starten. 2. Auf Datei klicken und den Menüpunkt 'PDF-Datei/Bild öffnen..' auswählen. 3. Das Dokument bzw. Bild wird zunächst eingelesen, die Dauer variiert je nach Dateigröße. Der Fortschrittsbalken gibt Auskunft über die Dauer. 3

6 4. Nachdem die Datei vollständig eingelesen ist, folgt eine Übersicht mit dem Originaldokument, der von OCR erkannten Texte, Tabellen und auch Bildern. Dokument Bild-Bereich Text (OCR)-Bereich Bereichstyp Bild-Bereich Hier befindet sich die eingelesene Datei im Originalzustand. Der FineReader erkennt automatisch Textbereiche (sichtbar in Form der grünen Rechtecke) in der Bilddatei. Es ist möglich spezielle Bereiche als Grafik, Tabelle und Strichcode zu klassifizieren. Unter dem Bild-Bereich kann ein Bereichstypus geändert werden (in der Grafik ist der Text-Bereich-Typ ausgewählt), um das Rechteck um den gewünschten Bereich anders zu klassifizieren (z.b. dem Textbereich in einen Tabellenbereich zu wandeln). Wenn Sie mehr über die Klassifizierung durch Bereichstypen erfahren, blättern Sie bitte zum Abschnitt Verbessern der OCR-Qualität. Text-Bereich Analog zu den Klassifizierungen des Bildbereichs werden hier die Ergebnis der Charakter-, Tabellen- und Grafik-Erkennung angezeigt. Dokument Im Falle, dass mehrere Dokumente (z.b. als PDF) eingelesen wurden, befindet sich diesem Fenster eine Übersicht über die einzelnen Seiten. Hier erfolgt u.a. auch die Auswahl, welche Seite(n) nach der OCR in ein anderes Format exportiert werden. 4

7 5. Vergewissern Sie sich im Dokumentfenster, dass die ausgewählten Erkennungssprachen mit den Sprachen des Dokuments übereinstimmen: Hier ist die Dokumentsprache ausgewählt: 6. Je nach Drucktyp kann sich die Erkennungsleistung der OCR verändern.das Programm kann eine automatische Erkennung vollziehen (default), oder explizit auf ein Schreibmaschinen- bzw. Punktmatrixdruckerschriftbild verwiesen werden.wenn die automatische Erkennung des Drucktyps keine zufriedenstellende Ergebnisse anbietet, sollten folgende Schritte befolgt werden: In der Menüleiste auf Extras klicken: Optionen auswählen: 5

8 Es öffnet sich ein weiteres Fenster, Optionen, auf dem der Reiter 'Dokument' ausgewählt sein sollte. Unter der Überschrift 'Drucktyp des Dokuments' erfolgt die Auswahl: Einstellung des Drucktyps Die Einstellung mit 'OK' bestätigen oder mit 'Abbrechen' verwerfen. 7. Wenn die Erkennung zufriedenstellend ist, sollte im Dokument-Fenster die zu exportierenden Dateien ausgewählt werden, sofern nicht alle exportiert werden sollen. Wenn im Text-Bereich die Erkennung nicht zufriedenstellend ist, dann Lesen Sie den Abschnitt: Verbessern der OCR-Qualität. Die Auswahl erfolgt durch anklicken der Seite (so dass diese grau hinterlegt ist). Beispiel Wenn mehrere Elemente ausgewählt werden sollen, so kann durch 1* klicken herunter drücken der Shift-Taste und einen weiteren Klick alle Objekte zwischen diesen ausgewählt werden. Einzelnes Hinzufügen oder Entfernen von Elementen der Auswahl kann durch Strg+Mausklick bewirkt werden. Shift + klicken 6

9 8. Nachdem alle gewünschten Seiten markiert sind (grau hinterlegt) kann im Textbereich das Zielformat im oberen Drop-Down-Menü bestimmt werden. Auswahl des Zielformats: 9. Im unteren Menü können weitere Texteigenschaften für den Export eingestellt werden. Weitere Optionen für den Zieltext: 10. Wenn alles wie gewünscht eingestellt ist (im Folgenden wird ein PDF exportiert) und ganz links im Dokument-Fenster die entsprechenden Seiten ausgewählt sind, kann auf speichern geklickt werden. 'Speichern' anklicken: 7

10 11. Ein weiteres Fenster, 'Seiten Speichern', öffnet sich. Hier kann der Ziel-Pfad ausgewählt werden. - vor dem Speichern 'Optionen' anwählen. 'Seiten speichern': Wenn unter 5. eine Auswahl von Seiten (d.h. nicht alle Seiten) ausgewählt wurden, sollte die Option 'Ausgewählte Seiten' aktiviert sein. 'Dateioptionen': Wenn alle umgewandelten Seiten in eine Datei gespeichert werden sollen, sollte diese Option wie in der obigen Grafik auch aktiviert sein. Bevor auf 'Speichern' geklickt wird, sollten vorher noch unter dem 'Optionen...'- Button die Einstellungen überprüft werden. 12. Im Fenster 'Optionen' folgende Einstellungen unternehmen (Für jedes Dateiformat gibt es einen Einstellungsreiter. In diesem Fall für ein PDF) 8

11 Text unter dem Seitenbild aktivieren Hoch (Druck) auswählen Wenn alles fertig ist mit 'OK' das Fenster schließen. 13. Zurück auf dem 'Seiten Speichern'-Fenster kann nun der Speichern-Button geklickt werden. Das Speichern kann je nach Umfang zeitlich variieren und wird mit einem Fortschrittsbalken begleitet. Wenn alles gespeichert ist, können die Dokumente im Zielpfad (unter 9. fest gelegt) gefunden werden. 9

12 4. Verbessern der OCR-Qualität Durch verschiedene optionale Maßnahmen kann die OCR-Leistung gesteigert werden. Im Folgenden werden Möglichkeiten aufgezeigt, die im Falle einer unzureichenden Erkennung helfen können. 4.1 Bearbeiten von Bildern Wenn das eingescannte Dokument verstreute Pixel, verzerrte Zeilen oder invertierte Farben enthält, können Sie diese Fehler manuell beheben. Sofern die Erkennung des Textes nicht zufriedenstellend ist, sollten folgende Optionen geprüft und mit einbezogen werden. Die Einstellungen werden im 'Bild bearbeiten'-fenster durchgeführt. 1. Hierzu klicken sie unter dem Menüpunkt 'Seite' auf 'Seitenbild bearbeiten..' 2. Das Fenster 'Bild Bearbeiten' öffnet sich und verfügt über 7 Bearbeitungsmodi. 10

13 Jeder Modus, d.h. : Entzerren & Begradigen, Drehen, Teilen, Zuschneiden usw. kann aufgeklappt werden, indem die Titelzeile angeklickt wird. Im obigen Beispiel ist 'Entzerren & Begradigen' ausgewählt. In dem erweiterten Menü erscheinen entsprechende Option zu Bearbeitung. Auf der linken Seite befindet sich eine verkleinerte Ansicht des zu bearbeitenden Dokuments. Je nach Modus können hier auch Bearbeitungsschritte vollzogen werden. Auf der linken Seite finden Sie das Dokument-Fenster, indem die Seiten ausgewählt werden können, auf denen diebildbearbeitung stattfinden soll. Die Auswahl erfolgt durch anklicken der Seite. Wenn mehrere Elemente ausgewählt werden sollen, so kann durch herunter drücken der Shift-Taste und einen weiteren Klick alle Objekte zwischen diesen ausgewählt werden. Einzelnes Hinzufügen oder Entfernen von Elementen der Auswahl kann durch Strg+Mausklick bewirkt werden. Die Menüs sind weitestgehend selbsterklärend, hier sollen nur die wichtigsten im Hinblick auf die OCR aufgezeigt werden. Wenn die Bilddatei bearbeitet worden ist, sollte der OCR-Vorgang erneut gestartet werden! Lesen Sie herzu Abschnitt:

14 4.2 Begradigen von Textzeilen, entzerren von Bildern Beim Einscannen sehr dicker Bücher wird der Text im Bereich der Bindung verzerrt erscheinen. Klicken Sie auf 'Entzerren & Begradigen' (1.) und dann auf Klicken Sie auf 'Bild entzerren' (2.) und/oder 'Textzeilen begradigen' (3.). (Das Begradigen von Textzeilen kann einige Zeit in Anspruch nehmen). 1.'Entzerren & Begradigen' anklicken 2. 'Bild entzerren' anklicken 3.'Textzeilen begradigen' anklicken Wenn das Bild, oder die Bilder (je nach Auswahl im Dokument-Fenster) prozessiert wurden, kann das 'Bild bearbeiten'-menü geschlossen werden (über das rote 'X' des 'Bild bearbeiten Fensters). Durch ein Doppelklick auf eines der Seiten im Dokumentfenster auf der linken Seite kann das Hauptfenster mit allen Bereichen wieder hergestellt werden. Wenn die Bilddatei bearbeitet worden ist, sollte der OCR-Vorgang erneut gestartet werden! Lesen Sie herzu Abschnitt:

15 4.3 OCR-Optionen Für eine fehlerfreie und zügige OCR ist die Auswahl der richtigen OCR Optionen von entscheidender Bedeutung. Welche Optionen ausgewählt werden, ist nicht nur vom Typ und der Komplexität des Papierdokuments abhängig, sondern auch davon, wie Sie die elektronische Version später wiederverwenden möchten. Die OCR Optionen sind im Dialogfeld Optionen (Extras>Optionen ) auf der Registerkarte 2. Lesen zu Gruppen zusammengefasst. Seiten, die Sie einem Dokument unter Verwendung der aktuellen Einstellungen für das Dokument hinzufügen, werden von ABBYY FineReader automatisch erkannt. Im Dialogfeld 'Optionen' (Extras>Optionen ) können Sie auf der Registerkarte Scannen/Öffnen die automatische Analyse und OCR für neu hinzugefügte Bilder deaktivieren. Wenn Sie die OCR Optionen nach der Erkennung eines Dokuments ändern, führen Sie den OCR Vorgang anschließend mit den neuen Optionen noch einmal aus. Gehen Sie bitte folgendermaßen vor um das Optionsfenster zu öffnen: In der Menüleiste auf 'Extras'....und dann auf ' Optionen...' klicken 13

16 Im 'Optionen'-Fenster sollte der Reiter '2.Lesen' ausgewählt sein, so dass folgendes Menü erscheint: Je nach Qualitäts oder Effizienzanspruch kann hier ausgewählt werden zwischen 'Schnell' und 'Gründlich'. In diesem Fenster kann unter 2 Lesemodi unterschieden werden: 'Gründlich' In diesem Modus analysiert und erkennt ABBYY FineReader sowohl einfache Dokumente als auch Dokumente mit komplexem Layout, insbesondere Dokumente mit Text vor farbigem oder gerastertem Hintergrund und Dokumente, die komplexe Tabellen enthalten (z. B. Tabellen mit weißen Rasterlinien oder farbigen Zellen). 'Schnell' Dieser Modus wird empfohlen, wenn Sie sehr viele Dokumente mit einfachem Layout und guter Bildqualität verarbeiten möchten. Wählen Sie je nach Bedarf 'Gründlich' oder 'Schnell' aus. Wenn die Bilddatei bearbeitet worden ist, sollte der OCR-Vorgang erneut gestartet werden! Lesen Sie herzu den folgenden Abschnitt. 14

17 4.4 Erneutes ausführen des Lesevorgangs: Das Bild sollte nach der Veränderung erneut eingelesen werden. Dies erfolgt durch den Menüpunkt: 'Seite' und dann 'Seite lesen': Wenn die Bilddatei(ein) erneut eingelesen werden sollen, kann zwischen 'Schnell' und 'Gründlich' ausgewählt werden. Lesen Sie herzu den vorherigen Abschnitt Zeichen/Schrift wird falsch erkannt Falsche Schriftart in erkanntem Text, oder einige Zeichen wurden durch "?" oder " " ersetzt Wenn einige Buchstaben im Textfenster durch die Zeichen "?" oder " " ersetzt sind, prüfen Sie, ob die zum Anzeigen des erkannten Texts ausgewählten Schriftarten alle im Text verwendeten Zeichen enthalten. Der Fehler macht sich im 'Text'-Fenster bemerkbar wie das folgende Beispiel zeigt Bsp. Korrektur falsch erkannter Zeichen: Seitens des 'Bild'-Fenster wird der Text richtig klassifiziert (sichtbar durch den grünen Rahmen): 15

18 Im 'Text'-Fenster wird allerdings das Wort 'traditionelle' mit falscher Schriftart erkannt: In diesem Fall erfolgt die Korrektur über das Textfenster (rechte Seite): Markieren Sie den Textabschnitt mit dem falsch angezeigten Zeichen,wie schon in der obigen Grafik dargestellt (schwarz hinterlegt). Klicken Sie mit der rechten Maustaste auf den markierten Abschnitt, und wählen Sie im Kontextmenü den Befehl 'Eigenschaften', so dass am unteren Rand des Textfensters die Texteigenschaften geöffnet werden. Die Schriftart des markierten Textabschnitts wird entsprechend geändert (im diesem Beispiel von Tunga zu Times New Roman ).... und im Textfenster wird das Wort mit den richtigen Zeichen erkannt. 16

19 4.6 Nicht erkannte Texte, Bilder und Tabellen Bevor ABBYY FineReader einen OCR Vorgang im Dokument ausführt, werden Bereiche mit Text, Bildern und Tabellen erkannt. Das Programm entscheidet dann auf der Grundlage dieser Analyse, welche Bereiche in welcher Reihenfolge erkannt werden müssen. Diese Informationen werden auch bei der Übertragung der ursprünglichen Formatierung verwendet. Unterschiedlichen Typen zugeordnete Randbereiche haben eine unterschiedliche Farbe. Folgende Bereiche können manuell im Bildbereich festgelegt werden: Wenn dieser Bereich ausgewählt ist, dann kann der Erkennungsbereich der gesamten OCR festgelegt werden. Wenn dieser Bereich ausgewählt ist, dann kann der Erkennungsbereich des Textbereichs festgelegt werden. Wenn dieser Bereich ausgewählt ist, dann kann der Erkennungsbereich des Bildbereichs festgelegt werden. Wenn dieser Bereich ausgewählt ist, dann kann der Erkennungsbereich des Bildbereichs festgelegt werden. Es folgt ein Beispiel, indem die Klassifikation durch ein Bereichstyp manuell geändert werden. 17

20 4.6.1 Bsp.: Bereiche manuell ändern In dem unteren Bild wird ein Ausschnitt des 'Bild'-Fensters gezeigt. Die grünen Rahmen klassifizieren Textbereiche, die roten Bildbereiche und die blauen Tabellen. Der blaue Rahmen bedeutet, dass dieser Bildbereich als eine Tabelle erkannt wird. Im 'Text'-Fenster sieht man analog zum 'Bild'-Fenster, dass der falsch ausgezeichnete Bereich der Tabelle zu keinem OCR-Ergebnis führt. Es sollte ein Grafikbereich im 'Bild'-Fenster festgelegt werden, so dass die Erkennung eine Grafik berücksichtigt. Der leere Kasten zeigt auf, dass die OCR nicht erfolgreich war. Um das Programm gezielt auf die Grafik aufmerksam zu machen, muss der Tabellenbereich im 'Bild'-Fenster durch den Grafikbereich ersetzt werden. 1. Der Tabellenbereich im Bildfenster muss selektiert werden (Mausklick), so dass er von einem schwarzen Rahmen umgeben ist und die Bereichsfarbe verstärkt dargestellt wird: 18

21 2. Im unteren Bereich des 'Bild'-Fensters kann die Auswahl einem neuen Bereich zugewiesen werden, so wie in dem folgenden Screenshot unter (A) illustriert ist. Unter (B) kann verfolgt werden, wie im Bildbereich das grafische Element von einem Grafik Bereichstyp umrahmt ist. (B)..wird automatisch die Auswahl des Tabellenbereichs in den Grafikbereich umgewandelt (A) Durch einen Klick auf den Bereichstyp Grafik (rot).. 3. Das Bild sollte nach der Veränderung erneut eingelesen werden. Dies erfolgt durch den Menüpunkt 'Seite' und dann 'Seite lesen': 19

22 4. Nach dem Einlesen, besteht eine viel höhere Wahrscheinlichkeit, dass die Grafik als solche erkannt wird.... und wie in diesem Ausschnitt des OCR-Fensters sichtbar ist, auch wird. Wichtig: Nach allen Veränderungen der Bereiche muss die Seite, wie unter Abschnitt 4.2. beschrieben, erneut eingelesen werden. 20