OCR (= Optical Caracter Recognition[1]) is een applicatie die tekens in een (gescand) beeld interpreteert en omzet in voor computerprogramma’s verstaanbare taal. “Bitmap-foto’s” van “letters” worden dus via herkenning van lichte en donkere patronen omgezet in “computercodes”. Gesofisticeerde systemen gebruiken hiertoe een combinatie van hardware (speciale circuit-kaarten) en software. Daarenboven bevatten ze vaak woordenboeken (en voor gesofisticeerde systemen zelfs gramatica’s) waarin het systeem het meest waarschijnlijke woord kan opzoeken wanneer het ergens twijfel heeft maar toch het merendeel van de letters met grote zekerheid heeft kunnen ontcijferen.

Door OCR'en neemt een A4-pagina met tekst nog maar een paar kilobyte aan geheugenopslag in. Belangrijkste voordeel van OCR is echter dat de tekst wordt omgezet in code (vb ASCII), wat toelaat erin te zoeken (vb naar een bepaald woord) of er bewerkingen op te doen (bv in een tekstverwerker).

Probleem vroeger was dat er in de drukwereld verschillende lettertypes (“fonts”) bestaan. Zo heeft een eenvoudige karakterset als “Roman” niet hetzelfde uitzicht als een meer “kunstzinnige”, heb je schreefhoudende en schreefloze fonts (er staan al dan niet streepjes aan de letters). Daarnaast worden titels over het algemeen ook groter afgedrukt dan platte tekst. OCR moet in staat zijn zoveel mogelijk van deze fonts te ontcijferen, in welke afmeting of welk lettertype ze ook gedrukt zijn.

De afbeelding wordt met een resolutie van 200-400 dpi (meestal in zwart-wit) gescand en geanalyseerd op herkenbare tekens. Tegenwoordig worden de meeste karaktertekens van het latijnse schrift zonder veel fouten ingelezen (98% correct).

Sommige OCR-systemen slagen er nu zelfs al in de bladspiegel te reproduceren zodat ook foto’s en tabellen worden omgezet, eventueel zelfs in kolommen. Sommige applicaties staan toe het “te vertalen” stuk te beperken tot een deel van het beeld. Bijna allen kunnen ze verschillende lettergrootten , Bold en Underline aan, Italic is iets zeldzamer maar verbetert bij iedere versie. Hierdoor zijn titels en ondertitels meestal wel als zodanig ook in de omgezette tekst aanwezig.

Omdat OCR (OMR en zeker ICR) zo moeilijk zijn wordt in zeer performante systemen de techniek van “Tandem Voting” toegepast. Soms wordt de ganse tekst, soms enkel de twijfeltekens, door 2, 3 of meer verschillende OCR-aplicaties gelezen ofwel meermaals door dezelfde. Telkens wordt beslist hoeveel kans elke lezing geeft dat zijn interpretatie juist is. Dan worden deze kansen vergeleken en de meest waarschijnlijke uitgekozen. De correcte lezeing verhoogt hierdoor met zowat 50% verhoogd.

EISEN 

Sommige documenten zijn dan ook gemakkelijker te interpreteren dan andere. Hoewel de OCR-software steeds performanter wordt en dus steeds meer “moeilijke” teksten aankan, toch blijft het aan te raden zoveel mogelijk rekening te houden met het feit dat OCR het best werkt met :

• Propere originelen of zeer duidelijke copies (geen copie van een copie van…. , geen verfrommeld papier en geen vlekken)
• “Mono-spaced fonts[2]” (vb Courier).
• Letters van minstens 12 point groot 
• Zwarte tekst op witte achtergrond. Pas daarom de color/contrast/brightness aan zodat de achtergrond zo licht mogelijk is en vrij van “artifacten” (d.w.z. patronen in of op het papier)
• Standaard lettertypes (Times, New Roman, etc.). Kunstzinnige lettertypes (“fonts”) worden vaak niet gelezen
• Tekst in 1 kolom
• Een propere scanner. Een glasplaat die vuil is geeft een onduidelijker en vaak gevlekt beeld.
• Rechte tekst. Wanneer het blad schuin werd afgedrukt of wordt gescand dan heeft OCR er meer problemen mee
• Hoe complexer de lay-out, hoe moeilijker te interpreteren, hoewel deze factor steeds minder een rol speelt omdat de OCR-software steeds sterker wordt.

BEPERKINGEN 

• Te complexe lay-out
• De tekstfile moet steeds nagelezen worden op spel- en grammaticafouten. Ook de lay-out moet soms bijgewerkt worden.  
• Formulieren geven vaak veel problemen omwille van de kaders en aankruisvakjes waar OCR geen blijf mee weet
• Kleine lettertypes of Italic
• Wiskundige formules
• Kunstzinnige tekst of lay-out
• Andere alfabetten dan het Latijnse of het Cyrillische geven vaak meer leesfouten

STADIA VAN OCR [3]

Er zijn verschillende fases die doorlopen worden om tekst te herkennen:

• Controle van de orientatie, staat de tekst op z'n kant of op de kop, dan moet de afbeelding eerst geroteerd worden. Ook als de zaak scheef staat is er soms een mogelijkheid om dit min of meer recht te zetten. Deze functie heet vaak in het engels skew of de-skew, rechte lijnen lopen dan weer recht in plaats van scheef naar boven of onder.
• Controle van kolommen. Een normale brief bestaat over het algemeen uit één kolom of tekstblok. Een krant daarentegen heeft meerdere kolommen. Een OCR-programma kan dit vaak automatisch herkennen. De volgorde van de tekstblokken en/of kolommen is meestal ook te wijzigen door een soort rangorde met '123' op de bewerkingsknoppen.
• Tekst en plaatjes scheiden. De tekst wordt afgezonderd van de rest, waarbij het formaat van de plaatjes veelal in .BMP of .JPG (vroeger .PCX) wordt weggezet.
• Bij professioneel OCR'en kan de herkenning ook nog numeriek of alfa-numeriek gezet worden, zodat dus alleen cijfers of cijfers+letters worden herkend. Vooral numeriek is prettig als veel boekhoudinformatie in bepaalde velden ge-ocr-ed moet worden.
• Karakterherkenning. De letters worden stuk voor stuk geanalyseerd op welk teken is het, welk font, grootte, enz. en dan vergeleken met voorbeelden van letters waarover het programma beschikt. Soms kan een OCR-programma nieuwe voorbeelden toevoegen (de zogenoemde training optie), zodat later dezelfde soort letter weer herkend wordt. Vaak worden er ook regels toegepast die beschrijven hoe de taal per lands-aard is opgebouwd.
• Controle van de woorden met een een bibliotheek (library) van alle bestaande woorden, de zogenoemde spelchecker. Helaas is bij OCR de begin-letter vaak de discutabele letter (denk aan geef, beef, leef, zeef, teef, weef, heeft, enz.). Bij eenvoudige OCR-programma's wordt de woordenlijst (taal afhankelijk!) vaak weggelaten, wat aanzienlijk in tijd en opslag capaciteit van de harde schijven kan schelen. Intelligente spellcheckers hebben de eigenschap om tijdens het werken ermee alsmaar te groeien in omvang, wat te beperken is door per categorie of onderwerp (medisch, technisch, historisch, e.d.) verschillende woordenlijsten aan te leggen.
• Exporteren. Tot slot kan het resultaat opgeslagen worden. Daarbij kan vaak gekozen worden in welk formaat en in welke mate de oorspronkelijke opmaak gereconstrueerd moet worden. Zo zal een .Doc of .TXT een andere uitvoer geven dan een .XLS of .PFD extensie, als je kiest voor tekst of spreadsheet, enz.

Maar er bestaan nog andere methoden (of standaarden) om gegevens in een barcode op te slaan. Streepjes-codes worden tegenwoordig immers voor verschillende toepassingen gebruikt, en zoals steeds gaf dit aanleiding tot verschillende “formaten” (Interleaved 2 of 5, Code 39, Code 128 A, B, of C). Deze behelzen o.a. welke opeenvolging van bits (zwartingen) een bepaald cijfer vormen (men wil nooit 4 zwarte blokjes na elkaar kunnen krijgen bv), de start- en stop-markers (welke code geeft het begin en welke het einde aan van de barcode), het berekenen van het controlegetal (de “checksum”) en de blanco zone die vereist is voor de eigenlijke gegevens in de barcode beginnen. 

Barcodes worden gelezen via een laserstraal die éénmaal of verscheidene keren de barcode aftast. Wit weerkaatst de barcode meer dan zwart, dat eerder absorberend optreedt. Een lichtgevoelige cel kan dan de opeenvolging van weerkaatsing en uitdoving van de straal opvangen. Daarna wordt de “lezing” doorgegeven aan een programma dat deze code ontcijfert. Volgende stadium is het doorgeven naar software die de gegevens verder interpreteert (welke inhoud, welke betekenis, welke zones van een DB worden opgevuld met welke gegevens ?)

Het spreekt vanzelf dat er minimale eisen opgelegd worden opdat een barcode correct leesbaar zou zijn : de lijnen mogen niet te dun of te kort zijn, ze mogen niet te dicht op elkaar staan, het verschil tussen een breed en een smal lijntje moet voldoende duidelijk zijn, er moet voldoende zwarting zijn en het papier zelf moet voldoende weerkaatsen.