スキャンしたPDFをOCRで正しく文字認識する

スキャンしたPDFは、紙のページを撮影した写真にすぎません。人の目には文字が見えても、パソコンには読めないため、Ctrl+Fで検索しても何も見つからず、1行も選択できません。OCR（光学文字認識）は画像を読み取って1文字ずつ判別し、各ページに隠れたテキストレイヤーを重ねます。

OCRでファイルに追加されるもの

ページの画像はそのままで、透明なテキストレイヤーが各単語の上に重なります。

OCR後のページは、スキャンしたときとまったく同じに見えます。元の画像がそのまま残っているからです。新しく加わるのは、画像内の各単語の位置に合わせて重ねられた透明なテキストレイヤーです。検索、選択、コピーの対象になるのはこのレイヤーで、印刷すれば元のページがそのまま出てきます。

OCRの誤りが見つけにくいのも、このためです。画像には正しい単語が写っていても、その下のテキストレイヤーには別の文字が入っていることがあります。

文字を正しく読み取れるスキャンの方法

アクセント記号や点、カンマは、ほんの数ピクセルの高さしかありません。解像度が低いと「e」と「c」、「5」と「S」が似て見えるようになり、ベトナム語などの声調記号はそのまま消えてしまいます。OCRの精度を上げたいなら、解像度にこだわるのがいちばんです。

正しい言語を選ぶ

初期設定は両方で、ベトナム語と英語の両方を認識します。契約書のような2か国語の文書に向いています。文書が1つの言語だけで書かれている場合は、その言語を選んでください。推測の対象が1つの文字体系だけになるため、文字の取り違えが減ります。

OCR後にテキストレイヤーを確認する

これらのペアはよく似ているため、数字は個別に確認してください。

編集できるWordファイルが本当に必要な場合は、PDFをWordに変換する方法をご覧ください。