Du öffnest ein gescanntes Dokument, suchst nach einem Wort — und findest nichts. Nichts ist kaputt: Die Datei enthält ein Foto einer Seite, und ein Foto enthält keine Wörter, nur Pixel, die wie Wörter aussehen.
Texterkennung, meist OCR genannt, verwandelt diese Pixel zurück in Zeichen. Wie gut das gelingt, hängt viel stärker vom Scan ab als von der Software.
OCR liest die Formen im Bild und gibt Text aus. Diesen Text kannst du durchsuchen, kopieren und bearbeiten. Je nach Werkzeug bekommst du entweder den reinen Text — richtig, wenn du den Inhalt weiterverwenden willst — oder eine neue PDF mit einer unsichtbaren Textschicht über dem Originalbild, richtig, wenn die Seite weiterhin wie der Scan aussehen soll.
In beiden Fällen wird das Bild selbst nicht besser. Ein unscharfer Scan bleibt unscharf; ergänzt wird nur die Erkennung seiner Zeichen.
Bevor du die Software verdächtigst, prüfe die Vorlage. Grob nach Wirkung sortiert:
Erkennungsmodule arbeiten mit einem Sprachmodell; die richtige Sprache anzugeben verbessert die Genauigkeit spürbar. Ein Dokument, das Schriften mischt — Deutsch mit englischen Zitaten oder Persisch mit lateinischen Namen — braucht ein Modul, das beides in einem Durchgang liest, sonst kommt eines von beiden als Zeichensalat heraus.
Die OCR von Abzar deckt Englisch, Deutsch, Persisch, Arabisch, Russisch, Französisch und Spanisch in einem automatischen Durchgang ab und lässt sich auf bestimmte Sprachen eingrenzen, wenn du weißt, was auf der Seite steht.
Klassische OCR ist auf Druckschrift trainiert. Handschrift variiert zwischen Menschen viel zu stark für denselben Ansatz — rechne mit schlechten Ergebnissen. Saubere Blockbuchstaben kommen manchmal durch, Schreibschrift selten. Ist ein handschriftliches Dokument wichtig, ist Abtippen schneller als das Korrigieren von Erkennungsfehlern.