В бумажных документах и ​​отсканированных PDF-файлах текст хранится в виде пикселей, а не символов. Оптическое распознавание символов преобразует эти изображения в машиночитаемый текст, открывая возможности поиска, редактирования и автоматической обработки.

Ранние системы подбирали шаблоны для отдельных шрифтов. Современные системы используют нейронные сети, обученные на миллионах текстовых изображений. Они гораздо лучше, чем их предшественники, справляются с рукописным текстом, искаженными сканированными изображениями и смешанными макетами.

Типичные приложения для распознавания текста (OCR)

• Оцифровка исторических архивов
• Обработка счетов и квитанций.
• Чтение номерных знаков
• Перевод вывесок с фотографий
• Доступность отсканированных документов

Точность зависит от качества изображения. Размытые сканы, необычные шрифты и низкий контраст ухудшают результаты. Постобработка с использованием языковых моделей исправляет многие ошибки, но идеальное извлечение остается недостижимым при работе со сложными входными данными.