Een gescand contract waaruit je een alinea wilt citeren, een gefotografeerde factuur waarvan je het nummer moet kopiëren, een oud pdf-boek waarin Ctrl+F niets vindt: in al deze gevallen is de “tekst” alleen een plaatje. Optische tekenherkenning (OCR) maakt er echte tekst van. Het is nooit perfect, maar goed voorbereid bespaart het uren typen.
Hoe OCR werkt, in twee minuten
OCR-software verdeelt de afbeelding in regels, dan woorden en letters, en vergelijkt elke vorm met wat ze heeft geleerd. Ze geeft elk woord een betrouwbaarheidsscore. Is de afbeelding scherp, contrastrijk en recht, dan worden de meeste woorden met zekerheid herkend; is ze wazig, scheef of ruisig, dan nemen de fouten toe en daalt de score.
In MaxyTools gebeurt de herkenning in je browser: taalmodellen worden één keer gedownload, daarna verlaat de afbeelding die je verwerkt je apparaat nooit. Dat is belangrijk voor documenten zoals een identiteitsbewijs, een recept of een contract.
Welke tool voor welk geval
| Je bestand | Tool | Wat je krijgt |
|---|---|---|
| Een foto, schermafbeelding of scan (JPG, PNG, WebP, BMP, GIF, HEIC) | Tekst uit afbeelding halen (OCR) | Bewerkbare tekst, twijfelachtige woorden gemarkeerd, export naar .txt, doorzoekbare pdf (Latijnse tekst) of ZIP. |
| Een pdf waarvan de pagina's afbeeldingen zijn | OCR PDF | Een .txt en een doorzoekbare pdf waarin Ctrl+F en tekstselectie werken; tot 150 pagina's per run. |
Negen talen zijn beschikbaar (Frans, Engels, Arabisch, Duits, Italiaans, Nederlands, Noors, Deens en Zweeds), en je kunt er meerdere tegelijk aanvinken (bijvoorbeeld Frans en Engels).
Fotograferen of scannen voor goede resultaten
Negen van de tien keer wordt de herkenningskwaliteit bepaald vóór de tool. Een paar richtpunten:
- Leg de pagina plat, naar je toe gericht, zonder schaduw van je telefoon. Gelijkmatig licht verslaat een flits die glans veroorzaakt.
- Streef naar een goede resolutie. Een kleine letter moet minstens twintig pixels hoog zijn. Bij 300 dpi voldoet gedrukte tekst van 10 punten daaraan; bij 150 dpi is het voor kleine letters grensgeval.
- Contrasterende achtergrond, donkere tekst. Lichtgrijze tekst op een crèmekleurige achtergrond is een probleem; het adaptieve zwart-wit van de tool helpt.
- Vermijd vouwen, stempels over tekst en foto's onder een hoek.
De tool biedt optionele instellingen: rechtzetten, vergroting ×2 voor kleine tekens, grijstinten, contrast en adaptief zwart-wit. Probeer ze een voor een in plaats van allemaal tegelijk.
Een gescande pdf doorzoekbaar maken, stap voor stap
- Open OCR PDF en sleep de pdf erin (maximaal 100 MB, niet beveiligd).
- Kies de taal (of meerdere), de te verwerken pagina's en de leesresolutie (150, 200 of 300 dpi). 200 dpi is een goed compromis; 300 dpi voor kleine tekens.
- Start: de voortgang is echt en je kunt annuleren en hervatten waar je gebleven was. Reken op een paar seconden per pagina.
- Download de tekst (.txt) en de doorzoekbare pdf: je originele pagina's worden niet gewijzigd of opnieuw gecodeerd, de herkende tekst wordt er onzichtbaar bovenop geplaatst.
- Lees de als twijfelachtig gemarkeerde woorden na, vooral cijfers, eigennamen en bedragen.
Als de pdf al tekst bevat, meldt de tool dat en kan hij die pagina's overslaan.
Veelgemaakte fouten
- OCR vertrouwen voor cijfers zonder na te lezen: een 5 die als 6 wordt gelezen in een bedrag heeft gevolgen.
- Vergeten de juiste taal aan te vinken: Franse accenten gelezen met een Engels model geven vreemde woorden.
- Een pdf verwerken die al tekst bevat: zinloos, en het kan het bestand zwaarder maken.
- Verwachten dat OCR handschrift leest: dat is niet zijn taak en de resultaten zijn slecht.
Eerlijke beperkingen
- OCR is nooit perfect: een scherpe pagina geeft uitstekende resultaten; een wazige foto, glans, handschrift of een stempel over de tekst verslechtert ze sterk.
- Arabisch is moeilijker dan Latijnse schriften: letterpunten, op elkaar lijkende letters en leestekens zijn de meest voorkomende fouten en korte klinkertekens (tasjkiel) worden niet herkend. Kalligrafische lettertypen werken niet.
- De doorzoekbare pdf bevat alleen Latijnse tekst en cijfers (standaard pdf-lettertypen hebben geen Arabische glyphs): gebruik voor Arabisch het .txt-bestand.
- De verwerking is traag (een paar seconden per pagina) omdat ze op jouw machine gebeurt en niet op een server.
Veelgestelde vragen
Wordt mijn document naar een server gestuurd om gelezen te worden?
Nee. De herkenning gebeurt in je browser; alleen het taalmodel wordt gedownload, nooit je afbeelding.
Welke nauwkeurigheid kan ik verwachten?
Op scherpe, goed belichte gedrukte tekst zeer goed; op een wazige foto of handschrift slecht. Elk woord heeft een betrouwbaarheidsscore: lees de gemarkeerde na.
Kunnen meerdere talen in één document worden gelezen?
Ja, vink ze allemaal aan (bijvoorbeeld Frans en Engels) voordat je de herkenning start.
Waarom bevat de doorzoekbare pdf geen Arabisch?
Omdat standaard pdf-lettertypen geen Arabische tekens hebben. Het .txt-bestand bevat wel alle herkende tekst.
Hoe kopieer ik de tekst van een gescande pdf?
Haal hem door OCR PDF en open dan de doorzoekbare pdf: je kunt de tekst selecteren en kopiëren, of het .txt-bestand nemen.