Artikel aus c’t 05-2003
Scanner: Slutzz
Clemens Gleich
Vorwaschgang
Erkennungsleistung von
FineReader verbessern
Texterkennung mit FineReader ist eigentlich so einfach,
dass es keiner weiteren Erklärung bedarf. Uneigentlich
kann man mit einer vorherigen Bildwäsche und dem
Training seltsamer Zeichen aber noch einiges an
Erkennungsleistung herausholen, vor allem bei schlecht
gescannten oder fotografierten Vorlagen.
Viele gedruckte Dokumente
würden sich in digitaler Form
sehr gut auf dem heimischen
Rechner machen. Dann könnte
man Referenzwerke durch-
suchen, Textpassagen kopieren
oder Magazinartikel schnell ins
Web bringen. Da man die digi-
tale Urform nicht immer haben
kann und sie oftmals nicht ein-
mal existiert, gibt es OCR (Op-
tical Character Recognition).
Heimscanner sind im Allge-
meinen ziemlich langsam, des-
halb behelfen sich findige Stu-
denten bei Büchern und anderen
vielseitigen Vorlagen mit der
Digitalkamera [1]. Die erhöhte
Einlesegeschwindigkeit erkau-
fen sie sich mit deutlichen Qua-
litätsabstrichen. Doch auch ge-
scannte Texte machen vor der
OCR eine bessere Figur, nach-
dem sie einmal durch die Bild-
bearbeitung gelaufen sind. Gibt
es dann noch Probleme mit
schwer erkennbaren Zeichen,
hilft der 'Alphabeteditor'.
Sauber oder rein?
OCR will deutliche schwarze
Buchstaben vor weißem Hinter-
grund. Schwarz und Weiß sind
aber relativ, denn ein Scanner
sieht auch die Abgründe und
Unreinheiten des Papiers, vom
Farbrauschen einer Kamera
ganz zu schweigen. Nur sehr
selten braucht man bunten Text,
daher verwirft man die Farb-
informationen in Photoshop ein-
fach über Bild/Modus/Graustu-
fen. Als Nächstes erhöht der
Befehl Bild/Einstellungen/Auto-
kontrast die Lesbarkeit erheb-
lich; beim Feinschliff helfen die
Regler unter Helligkeit und
Kontrast im selben Menü. Vor-
sicht mit dem Kontrastregler:
Zu viel davon hebt auch eventu-
elle Schmutzpartikel zu stark
hervor. Um die Kantenschärfe
der Buchstaben zu erhöhen, hilft
der Filter/Scharfzeichnungsfil-
ter/Unscharf maskieren ...
Das Resultat schmeckt Fine-
Reader - je nach Vorlage -
schon besser als das Original.
Um die Erkennung durchzu-
führen, reduziert die Software
das Bild auf zwei Farben, jedes
Pixel ist danach entweder
schwarz (RGB 0, 0, 0) oder weiß
(RGB 255, 255, 255). PCs sind
nicht intelligent, daher holt ein
Mensch von Hand oft bessere
Ergebnisse bei diesem Arbeits-
schritt heraus. Unter Bild/
Einstellungen/Schwellen-
wert kann man den zur
Vorlage am besten pas-
senden Schwellenwert
einstellen. Bei einem fo-
Lernfähig: Schießt der
ABC-Schütze FineReader
bei einem Zeichen öfter
mal daneben, hilft eine
Nachhilfestunde im
Alphabettrainer.
Bearbeitet man die Dokumente etwa mit Photoshop nach, kommt
FineReader bei der Texterkennung wesentlich besser zurecht.
tografierten Grauert-Brief etwa
(ein DIN-Text mit 1660 Zei-
chen) machte dies drei Fehler
gut, also lohnt es sich - vor
allem für Bücher (viel mehr Zei-
chen). Hier helfen die Batch-
Funktion Datei/Automatisieren/
Stapelverarbeitung und der Ma-
kroeditor im Aktionenfenster:
Mit beiden zusammen hat man
sich ruck, zuck! eine Bildwasch-
ma^chine zusammengeklickt.
Der Light-Variante Photoshop
Elements fehlt ein solcher Ma-
krorecorder übrigens, aber das
günstige PhotoLine hat einen.
A-B-C
FineReader kennt das Al-
phabet. Allerdings nicht in
allen möglichen Schriftarten. Ein
komplettes Alphabet, etwa in
Frakturschrift, einzulernen, lohnt
meist den immensen Aufwand
nicht: Die Erkennungsraten sind
danach immer noch schlecht.
Aber es gibt genügend Druck-
werke, deren Standardschriftvari-
anten in einzelnen Zeichen vom
Standard abweichen. Ein Bei-
spiel dafür sind 'Die 13 1/2
Leben des Käpt'n Blaubär'. Mit
dem seltsamen Fragezeichen dort
tut sich die Software schwer,
doch der Griff zum Alphabetedi-
tor (in der aktuellen Version 6
heißt er Mustereditor) schafft
hier Abhilfe. Unter Extras/Optio-
nen/Erkennung zeigt der Dialog
ein Feld für Training. Im Drop-
down-Menü dort tauchen die be-
nutzerdefinierten Menüs auf, mit
der Schaltfläche fängt man neue
Alphabet-Dateien an. Um diese
mit Daten zu füllen, muss der
Haken bei 'Erkennung mit Trai-
ning' gesetzt sein.
Beim nächsten Erkennungs-
vorgang poppt ein Fenster na-
mens 'Alphabettraining' auf, das
zweifelhafte Zeichen nachfragt.
Hier sollte man vorsichtig sein
mit dem Triggerfinger und nur
die Zeichen einlernen, die
vorher wirklich Probleme ge-
macht haben, sonst kommt es zu
unerwünschten Nebeneffekten.
Sind diese erst mal drin, kann
man den Erkennungsvorgang per
Schaltfläche ohne Training fort-
setzen. Jeder gelernte Buchstabe
kann über Extras/Alphabeteditor
eingesehen und wieder gelöscht
werden. Die Erkennung solcher
Zeichen arbeitet mit Graustufen-
Bitmaps und funktioniert daher
nur bei einheitlichen Schrift-
größen.
FineReader arbeitet im Batch-
Betrieb ganz gut alleine, ten-
diert aber dazu, in der automati-
schen Layouterkennung einzeln
stehende Sätze auszulassen. Im
Zweifel empfehlen sich stich-
probenartige Kontrollen. Nicht
böse auf die Technik sein: Die
meisten Hiwis arbeiten auch
nicht genauer. (cgi)
Literatur
[1] Jens Gallenbacher, Foto-Ko-
pierer, Dokumente fotografie-
ren und archivieren, c't 1/03,
S. 186
Praxis zur Heft-CD
FineReader 4 finden Sie als
Vollversion auf der Soft-
ware-CD in c't 4/03. Das
Heft können Sie bei Bedarf
unter www.heise.de/abo/ct/
hefte.shtml nachbestellen.
Zum Download finden Sie das
Programm leider nicht.