Pappersdokument och skannade PDF-filer lagrar text som pixlar, inte tecken. Optisk teckenigenkänning omvandlar dessa bilder till maskinläsbar text, vilket möjliggör sökning, redigering och automatiserad bearbetning.

Tidiga system matchade mallar för individuella teckensnitt. Moderna system använder neurala nätverk som tränats på miljontals textbilder. De hanterar handstil, sneda skanningar och blandade layouter mycket bättre än sina föregångare.

Vanliga OCR-applikationer

• Digitalisering av historiska arkiv
• Hantering av fakturor och kvitton
• Läsa registreringsskyltar
• Översätta tecken från foton
• Tillgänglighet för skannade dokument

Noggrannheten beror på bildkvaliteten. Suddiga skanningar, ovanliga teckensnitt och låg kontrast försämrar alla resultaten. Efterbehandling med språkmodeller korrigerar många fel, men perfekt extrahering förblir svår att uppnå vid svåra inmatningar.