Sisältöä OCR-kokeiluja varten
Joskus vastaan voi tulla tarve kokeilla erilaisten OCR-toteutusten (Optical character recognition) eli tekstintunnistuksen toimivuutta omilla sisällöillä. Aina käytettävissä ei kuitenkaan ole tarpeeksi kuvamuotoista tekstisisältöä, mutta onneksi sitä saa generoitua helposti. Alla käyn lyhyesti lävitse Ghostscript-ohjelman käyttämistä tähän tarpeeseen.
Sanakirjan käyttö
Jos tarkoitus on käyttää tekstintunnistusta vain suomenkieliseen sisältöön, kannattaa käyttää OCR:n ohessa jotain sanakirjaa, jonka avulla on nopea huomata, jos OCR ei suoriutunut tehtävässään oikein. Valitettavasti esim. a/ä- ja o/ö-ongelmat (vaikkapa välittää vs. valittaa tai säälistä vs. saalista) eivät poistu täysin tällä tavalla, joten sanakirja ei suoraan ratkoa kaikkia ongelmia.
Sopivat PDF-sisällöt
PDF:n osalta kannattaa kokeiluun valita dokumentteja, joissa teksti on oikeasti tekstimuotoista, eikä kuvina. Tämä sen takia, että Ghostscriptilla voidaan tuottaa eri resoluutiolla olevia kuvatiedostoja, jolloin vektoripohjainen teksti renderöidään tarkemmin kuviin, kuin mitä bittikarttapohjaisten tekstien kanssa. Täten sama PDF-tiedosto kannattaa muuttaa useiksi eri resoluutiolla oleviksi kuviksi, ja testata OCR-toteutusta niillä kaikilla.
Ghostscript-asennus
Windowsilla Ghostscript asentuu esim. asennuspaketin kautta. Windowsilla kannattaa asentaa 64-bittinen versio. Kun ohjelma on asennettu onnistuneesti, voi asennuksen onnistumisen tarkistaa ajamalla komentokehoittessa
gswin64c
jonka pitäisi tulostaa jotain seuraavanlaista
GPL Ghostscript 10.06.0 (2025-09-09) Copyright (C) 2025 Artifex Software, Inc. All rights reserved. This software is supplied under the GNU AGPLv3 and comes with NO WARRANTY: see the file COPYING for details.
komentoikkunasta pääsee pois Ctrl + C -näppäinyhdistelmällä
PDF-tiedosto kuvatiedostoiksi
Käytän esimerkkinä Ouran julkaisemaa PDF-tiedostoa, koska siinä on sekaisin sekä kuvia että tekstiä. Esimerkissä se on nimetty pressi.pdf-nimellä.
gswin64c -dNOPAUSE -sDEVICE=png16m -r600 -sOutputFile=ocr-%02d.png "pressi.pdf" -dBATCH
kyseinen komento luo siis .png-tiedoston (tiedostojen nimet ocr-01.png, ocr-02.png ...) jokaisesta PDF-tiedoston sivusta. -r600-asetuksella luotavien .png-tiedostojen resoluutio on luokkaa 12000 x 15333 pikseliä, ja suurten kuvien luomisen hitauden takia operaatiossa kestää yleensä muutama kymmenen sekuntia.
Jos haluat pienemmän resoluution tiedostoja, voit ajaa puolestaan alla olevan komennon, jossa kuvatiedostojen resoluutio on 1200 x 1533
gswin64c -dNOPAUSE -sDEVICE=png16m -r60 -sOutputFile=ocrs-%02d.png "pressi.pdf" -dBATCH
Korkeampi resoluutio helpottaa yleensä merkittävästi OCR-prosessissa yleisten I/l/1-tunnistusongelmien kanssa, mutta samalla yhden sivun tarvitsema suoritusaika pitenee.
Vertailua
Jos yllä olevien esimerkkien avulla tekee kahden eri resoluution PNG-tiedostot, ja vertaa niitä esim. ilmaisella Tesseract.js -työkalulla, huomaa nopesti että korkeamman resoluution kuvat auttavat paremman OCR-lopputuloksen kanssa, mutta täydellinen tulos ei ole. Pienemmällä resoluutiolla Illness-sana osoittautuu liian vaikeaksi, ja molemmilla resoluutioilla otsikkona oleva Executive Summary ei tunnistu oikein.
🔍