Ein Papierarchiv zu fotografieren ist einfach. Ein Absatz daraus zurueckzuholen ist der schwierige Teil.

Aus Bildpunkten wieder Zeichen machen

Scannen oder Fotografieren macht die Ablage einfach und die Nutzung schwerer. Zeichen in einem Bild lassen sich nicht markieren, also bedeutet ein Zitat abtippen. Dasselbe Problem wiederholt sich bei Vertraegen, Rechnungen und abfotografierten Buchseiten, und diese Unterlagen brauchen nicht, aufbewahrt zu werden, sondern wie Text behandelbar zu sein.

Die optische Zeichenerkennung schliesst diese Luecke. Tesseract gehoert zu den aelteren Engines des Feldes, und die offizielle Dokumentation beschreibt sie in einem Satz: eine Engine zur optischen Zeichenerkennung. Sie liefert die Erkennung selbst und kein fertiges Programm, weshalb die Oberflaeche dem jeweiligen Aufrufer gehoert. Darum kann dieselbe Engine je nach Software voellig verschieden aussehen.

Als untere Schicht erscheint sie meist in etwas anderem. Laut dem offiziellen Ablageort laesst sie sich von der Kommandozeile nutzen und als Bibliothek einbinden. Genau deshalb faellt sie nicht auf: viele nutzen Programme mit Erkennungsfunktion, ohne zu wissen, dass diese Engine darunter sitzt. Das Projekt begann in Labors von HP und wird seither von der Gemeinschaft gepflegt, veroeffentlicht unter Apache-2.0.

Wovon das Ergebnis abhaengt

Sprachdaten sind die erste Groesse. Die Erkennung deckt viele Sprachen ueber getrennt installierte Datendateien ab, eine je verwendeter Sprache. Das klingt nach einem Verpackungsdetail und wirkt wie ein grosses: die falsche Kombination gewaehlt, und gewoehnliche Saetze kommen als Unsinn zurueck; gemischtsprachiges Material hat seinen eigenen Weg, beide zugleich zu laden.

Auch das Verfahren zaehlt. Die Erkennung beruht auf einem neuronalen Netz, das bei abweichenden Schriften, leicht schiefen Seiten und Rauschen im Scan besser standhaelt als das fruehe Abgleichen einzelner Formen. Empfindlich bleibt sie gegen die Qualitaet der Vorlage: zu wenig Aufloesung, ungleichmaessiges Licht oder sichtbare Verzerrung besiegen jede Engine, und eine vorbereitete Vorlage hilft mehr als eine Nachkorrektur.

Wohin die Daten gehen, ist ebenfalls wichtig. Die Erkennung laeuft auf dem eigenen Rechner und braucht kein Netz. Bei Vertraegen und Ausweisen wiegt das oft schwerer als die Trefferquote, weil Bilder und Ergebnisse das Geraet nie verlassen.

Version und Wege hinein

Aktuell ist 5.5.3. Die Ausgabeseite bietet Quellarchive und Builds fuer die Hauptplattformen, und Aktualisierungen innerhalb einer Reihe konzentrieren sich auf Korrekturen; vor einem Sprung ueber eine Hauptversion die Notizen lesen. Anleitungen decken Windows, macOS und Linux ab, und die meisten Linux-Distributionen fuehren die Engine ohnehin in ihren Quellen.

Zwei Wege stehen offen. Die Kommandozeile passt zur Stapelarbeit, bei der tausend Bilder in einem Lauf durchgehen und mehrere Ausgabeformate zur Wahl stehen. Die Einbindung als Bibliothek passt dazu, die Erkennung in ein eigenes Programm zu legen und jeden Schritt fein zu steuern. Der Kern ist in beiden Faellen derselbe; die Wahl betrifft den Ablauf, nicht die Guete.

Die Obergrenze der Erkennung steht meist in dem Moment fest, in dem das Foto entsteht.

Hinweise aus der Praxis: die Kamera rechtwinklig zur Seite halten und das Licht gleichmaessig lassen, mit einer Aufloesung, bei der der Fliesstext scharf ist, was mehr bringt als jedes spaetere Drehen an Stellschrauben; die zum Inhalt passenden Sprachdaten installieren und bei gemischtsprachigen Seiten beide Dateien laden; und beim Stapellauf von der Kommandozeile zuerst einige Proben laufen lassen, damit das Ausgabeformat zum naechsten Schritt passt.