На нашем сайте используются cookie–файлы, в том числе сервисов веб–аналитики (Яндекс.Метрика и top.mail.ru). Используя сайт, вы соглашаетесь на обработку персональных данных при помощи cookie–файлов. Подробнее об обработке персональных данных вы можете узнать в Политике конфиденциальности

Как подготовить документ к распознаванию OCR: чек-лист качества изображения

Почему качество изображения важно для OCR

Хорошее изображение — это стартовая точка успешного распознавания текста. Без чёткого, правильно снятого документа даже сильный OCR-движок выдаст ошибки. По данным руководства Университета Питтсбурга, правильное разрешение, контрастность и отсутствие искажений значительно повышают точность распознавания.
Ниже — подробный чек-лист, чтобы получить качественный исходник.

Разрешение и размер изображения

Используйте скан или фото с минимальным разрешением ≈ 300 dpi: это оптимум для большинства печатных документов.

Для мелкого шрифта (< 10 pt) рекомендуются 400-600 dpi, иначе символы становятся неразборчивыми.

Не стоит стремиться к сверхвысоким 1000 dpi — это увеличит время обработки и не даст пропорционального прироста качества.

Контраст, яркость и цвет

Текст должен быть резко контрастным по отношению к фону: светлый фон, тёмные буквы или наоборот.

Яркость не должна быть слишком высокой или низкой: оптимум — около 50 % при сканировании.

Лучше сканировать или фотографировать в цвете (RGB), особенно если документ старый или с оттенками — это помогает сохранить детали.

Выравнивание, отсутствие искажений и обрезка

Убедитесь, что страница прямая: наклон текста снижает точность распознавания.

Уберите лишние рамки, поля и обрезки — они могут мешать алгоритму.

Проверьте, чтобы весь текст помещался в кадре и не был обрезан.

Удаление шума и артефактов

Пятна, складки, следы от скоб или фона снижают точность распознавания.

Примените базовую предобработку: устранение шума, повышение резкости, коррекция контраста.

Если фото сделано с телефона — избегайте резкой тени, бликов и неравномерного освещения.

Шрифт, фон и формат документа

Чем проще шрифт и однороднее фон — тем лучше. Оригинальные руководства отмечают: типографика, мелкий шрифт или нестандартные шрифты приводят к ошибкам.

Избегайте сканов с линиями, узорами, большим количеством графики без текста — такие элементы мешают распознаванию.

Если документ содержит таблицы или несколько колонок, убедитесь, что они читаются чётко и выровнены. Это помогает выделить зоны распознавания.

Итоговый чек-лист

Разрешение ≥ 300 dpi (для мелкого шрифта — ≥400 dpi)
Контраст между текстом и фоном чёткий
Цветной режим (RGB) при старых/выцветших документах
Страница выровнена, без наклона, текст целиком в кадре
Удалены рамки, края, лишние элементы
Шрифт читабелен, фон спокойный, нет лишней графики
Отсутствуют пятна и блики, фон равномерный

Проводя подготовку по этому списку, вы значительно повысите вероятность корректного распознавания текста с минимальным количеством ошибок. Применяйте это как стандартизированную процедуру перед OCR-обработкой — экономия времени и ресурсов будет заметна.