Šta je OCR i kad ti zaista treba.

OCR (Optical Character Recognition — optičko prepoznavanje znakova) je tehnologija koja gleda sliku stranice i izvlači stvarni tekst iz nje. Razlika je suštinska: bez OCR-a, slika riječi "Ugovor" je samo skup piksela koji izgleda kao ta riječ. Sa OCR-om, kompjuter zna da tu piše "Ugovor" i možeš da kopiraš, pretražuješ i editujеš.

Kad ti OCR treba

• Skenirao si ugovor i hoćeš da iskopiraš jednu rečenicu u email — bez OCR-a, ne možeš da je selektuješ.
• Imaš PDF od 200 stranica sa skenovima knjige i tražiš tačnu frazu — OCR omogućava Ctrl+F.
• Treba ti Word verzija dokumenta koji ti je neko poslao kao skeniran PDF — OCR čita tekst pa ga LibreOffice ubaci u .docx.
• Imaš fotografiju ručno napisanog/štampanog dokumenta sa telefona — OCR može da izvuče tekst (ako je čitljiv).

Kad NE treba

Ako tvoj PDF već ima pravi tekst (probaj Ctrl+F u njemu — ako pronalazi riječi, ima tekst), OCR samo gubi vrijeme. Word dokumenti, PDF-ovi sačuvani iz Word-a, PDF računi iz prodavnice — to su native tekst PDF-ovi. OCR je za **skenirane** dokumente.

Kako radi (jednostavno objašnjenje)

Moderni OCR koristi neuralne mreže obučene na milionima primjera teksta na različitim jezicima. Kratak proces:

• 1. Algoritam podijeli sliku stranice u manje regione (paragrafe, redove, riječi).
• 2. Svaku riječ pokušava da prepozna upoređujući oblike piksela sa naučenim šablonima slova.
• 3. Koristi rečnik jezika da provjeri ima li smisla — "uravor" će biti ispravljen u "ugovor" jer prvi ne postoji.
• 4. Izlaz: tekst sa pozicijama u dokumentu, koji se može ugraditi u PDF ili izvući kao .txt/.docx.

Šta utiče na kvalitet OCR-a

Rezolucija skena

Idealno: 300 DPI. Niže (npr. 150 DPI mobilnih fotografija) može da radi za štampani tekst, ali greši na sitnim detaljima. Više od 300 DPI ne pomaže — samo usporava.

Kvalitet originala

Štampani tekst u kontrastu (crno-bijelo) — ~99% tačnost. Rukopis — 60-85% u najboljem slučaju. Fotografisano kosim uglom — pomaže "deskew" obrada. Mrlje, presijavanje, presavijene stranice — sve smanjuje tačnost.

Jezik

OCR motori se uče po jezicima. Mi u Freekonvertu koristimo srp+eng modele, pa srpski i engleski idu sa dobrom tačnošću. Crnogorski ćirilica/latinica je dio srpskog modela. Za njemački, francuski, itd. — radi, ali sa nešto većim greškama jer model nije primarno obučen za njih.

Kako u Freekonvertu

Naš PDF u Word alat ima OCR ugrađen — automatski prepoznaje da li PDF već ima tekst. Ako da, koristi taj tekst direktno (brže, savršena tačnost). Ako ne (skenirani PDF), pokreće OCR sa srp+eng modelima prije nego što ga preda LibreOffice-u za pravljenje Word fajla. Sve u jednom kliku, korisnik ne mora ništa da bira.