Eingescannte Papierdokumente und fotografierte Unterlagen bestehen zunächst nur aus Bildpunkten. Für eine Software ist der darauf sichtbare Text deshalb nicht automatisch als Text nutzbar. Erst eine optische Zeichenerkennung macht Buchstaben, Zahlen und Wörter maschinenlesbar. Diese Technologie wird als OCR bezeichnet.
OCR kommt unter anderem bei Rechnungen, Verträgen, Lieferscheinen, Briefen und technischen Unterlagen zum Einsatz. Erkannte Inhalte lassen sich durchsuchen, kopieren, indexieren und – je nach Anwendung – in weitere digitale Prozesse übernehmen. Damit bildet OCR eine wichtige Verbindung zwischen eingescannten Dokumenten und moderner digitaler Dokumentenverwaltung.
Was ist OCR?
Die Abkürzung OCR steht für Optical Character Recognition, auf Deutsch optische Zeichenerkennung. Darunter versteht man ein Verfahren, mit dem eine Software sichtbare Zeichen innerhalb eines Bildes erkennt und in digital verarbeitbaren Text umwandelt.
Ein Scanner erzeugt zunächst lediglich eine digitale Abbildung des ursprünglichen Dokuments. Buchstaben, Zahlen und Satzzeichen sind darin als Anordnung einzelner Bildpunkte enthalten. Ohne zusätzliche Verarbeitung kann eine Anwendung zwar das Bild anzeigen, den darauf abgebildeten Text aber nicht zuverlässig durchsuchen oder weiterverarbeiten.
Eine OCR-Software analysiert deshalb die Bildinformationen und versucht, darin enthaltene Zeichen, Wörter und Textbereiche zu bestimmen. Das Ergebnis kann beispielsweise als durchsuchbare Textebene in einer PDF-Datei, als separate Textdatei oder als Inhalt für einen Suchindex gespeichert werden.
Ein Scan ist nicht automatisch durchsuchbar
Eine eingescannte Seite kann für das menschliche Auge vollständig lesbar sein und für eine Software dennoch nur aus Bilddaten bestehen. Erst die OCR-Texterkennung erzeugt daraus maschinenlesbare Inhalte, die sich beispielsweise über eine Volltextsuche recherchieren lassen.
In einem Dokumentenmanagementsystem kann OCR genutzt werden, um eingescannte Dokumente in die inhaltliche Suche einzubeziehen. Dadurch muss ein Anwender nicht zwingend den Dateinamen oder den genauen Ablageort kennen. Stattdessen kann er nach einem Begriff suchen, der innerhalb des Dokuments vorkommt.
Wie funktioniert OCR?
Die konkrete technische Umsetzung unterscheidet sich je nach OCR-Software. Typischerweise besteht die Verarbeitung jedoch aus mehreren aufeinanderfolgenden Schritten. Neben der eigentlichen Zeichenerkennung spielt insbesondere die Qualität der Bildvorbereitung eine wichtige Rolle.
Dokument erfassen
Das Dokument wird eingescannt, fotografiert oder als bildbasierte PDF-Datei bereitgestellt.
Bild aufbereiten
Ausrichtung, Kontrast und Bildrauschen können vor der Erkennung automatisch optimiert werden.
Zeichen erkennen
Die Software analysiert Textbereiche und ordnet erkannte Formen Buchstaben, Zahlen und Wörtern zu.
Text nutzbar machen
Der erkannte Inhalt wird gespeichert, indexiert und für Suche oder weitere Verarbeitung bereitgestellt.
Erfassung des Dokuments
Ausgangspunkt ist ein digitales Bild. Dieses kann von einem Dokumentenscanner, einem Multifunktionsgerät, einer Kamera oder einer mobilen Anwendung stammen. Auch PDF-Dateien können ausschließlich aus eingescannten Bildseiten bestehen und deshalb eine OCR-Verarbeitung benötigen.
Vorverarbeitung des Bildes
Vor der eigentlichen Erkennung versucht die Software häufig, die Vorlage zu verbessern. Dazu können das Begradigen schief eingescannter Seiten, die Korrektur der Seitenausrichtung, die Anpassung des Kontrasts oder die Reduzierung von Bildrauschen gehören.
Diese Vorbereitung ist wichtig, weil undeutliche Zeichen, Schatten, Verzerrungen oder ein geringer Kontrast die Erkennungsqualität beeinträchtigen können.
Erkennung von Textbereichen und Zeichen
Anschließend ermittelt die Software, welche Bereiche einer Seite Text enthalten. Innerhalb dieser Bereiche werden Zeichenfolgen analysiert und als Buchstaben, Zahlen oder Satzzeichen interpretiert. Abhängig vom Verfahren können auch Wörterbücher, Sprachmodelle und Wahrscheinlichkeiten berücksichtigt werden, um mehrdeutige Ergebnisse einzuordnen.
Speicherung des Ergebnisses
Der erkannte Text kann auf unterschiedliche Weise gespeichert werden. Bei einem durchsuchbaren PDF bleibt das ursprüngliche Seitenbild erhalten und wird um eine meist unsichtbare Textebene ergänzt. Dadurch sieht das Dokument weiterhin wie das Original aus, während Begriffe markiert, kopiert oder gesucht werden können.
In einem Dokumentenmanagementsystem kann der erkannte Text zusätzlich in einen Suchindex übernommen werden. Das Dokument wird dadurch Bestandteil einer strukturierten digitalen Archivierung .
Welche Dokumente eignen sich für OCR?
OCR eignet sich insbesondere für Dokumente mit gedrucktem oder maschinell erzeugtem Text. Voraussetzung für ein gutes Ergebnis ist, dass die Zeichen auf der Vorlage ausreichend groß, scharf und kontrastreich dargestellt sind.
- eingescannte Rechnungen und Gutschriften
- Angebote und Auftragsbestätigungen
- Verträge und Vereinbarungen
- Lieferscheine und Versandunterlagen
- Geschäftsbriefe und Korrespondenz
- Formulare mit gedruckten Inhalten
- technische Dokumentationen
- bildbasierte PDF-Dateien
- fotografierte Papierdokumente
- ältere digitalisierte Archivbestände
Strukturierte elektronische Rechnungen wie XRechnungen enthalten ihre fachlichen Daten bereits in maschinenlesbarer Form. Für deren XML-Inhalt ist daher grundsätzlich keine OCR erforderlich. Wird dagegen eine Papierrechnung oder eine lediglich als Bild vorliegende Rechnung verarbeitet, kann OCR den enthaltenen Text erfassen.
Handschrift ist anspruchsvoller als Drucktext
Klassische OCR ist vor allem auf gedruckte Zeichen ausgerichtet. Handschriftliche Inhalte unterscheiden sich stärker in Form, Neigung und Verbindung der Zeichen. Für solche Unterlagen kommen spezialisierte Verfahren zur Handschrifterkennung zum Einsatz. Auch dann hängt das Ergebnis wesentlich von der Lesbarkeit der Vorlage ab.
Welche Vorteile bietet OCR?
Der wichtigste Nutzen von OCR besteht darin, Informationen aus bildbasierten Dokumenten für digitale Anwendungen zugänglich zu machen. Daraus ergeben sich mehrere praktische Einsatzmöglichkeiten.
Erkannte Begriffe können über eine Volltextsuche gefunden werden, auch wenn sie nicht im Dateinamen stehen.
Inhalte lassen sich markieren, kopieren und in anderen Anwendungen weiterverwenden.
Informationen müssen nicht in jedem Fall vollständig von Hand aus einer Vorlage übertragen werden.
Eingescannte Altbestände können in eine durchsuchbare digitale Dokumentenablage einbezogen werden.
Erkannte Inhalte können Ausgangspunkt für Klassifizierung, Prüfung oder weitere Verarbeitung sein.
OCR verbindet eingescannte Dokumente mit Such- und Verwaltungsfunktionen eines DMS.
Welche Faktoren beeinflussen die Erkennungsqualität?
OCR-Ergebnisse sind nicht unter allen Bedingungen gleich zuverlässig. Die erreichbare Erkennungsqualität hängt sowohl von der Vorlage als auch von der Digitalisierung und der eingesetzten Software ab.
- ausreichende Auflösung und Bildschärfe
- guter Kontrast zwischen Schrift und Hintergrund
- gerade Ausrichtung der Seite
- klar erkennbare und ausreichend große Schrift
- korrekt ausgewählte Dokumentensprache
- geringe Verschmutzung oder Beschädigung der Vorlage
- wenige Schatten, Spiegelungen und Verzerrungen
- ein möglichst übersichtlicher Seitenaufbau
Eine höhere Auflösung kann die Erkennung kleiner Zeichen verbessern. Eine unnötig hohe Auflösung führt jedoch auch zu größeren Dateien und mehr Verarbeitungsaufwand. Für Geschäftsdokumente wird daher üblicherweise ein sinnvoller Kompromiss zwischen Lesbarkeit, Dateigröße und Verarbeitungsgeschwindigkeit gewählt.
Auch Sprache und Schriftart spielen eine Rolle. Ähnliche Zeichen können verwechselt werden, beispielsweise die Ziffer „0“ und der Buchstabe „O“ oder die Ziffer „1“ und der Kleinbuchstabe „l“. Tabellen, mehrspaltige Layouts, Stempel und handschriftliche Ergänzungen können die Verarbeitung zusätzlich erschweren.
Wo liegen die Grenzen von OCR?
OCR ist ein automatisiertes Erkennungsverfahren und liefert deshalb nicht zwangsläufig in jedem Fall ein fehlerfreies Ergebnis. Selbst gut lesbare Dokumente können einzelne falsch erkannte Zeichen oder Wörter enthalten.
Besonders anspruchsvoll sind beispielsweise stark beschädigte Vorlagen, ungewöhnliche Schriftarten, handschriftliche Inhalte, farbige Hintergründe, überlagerte Stempel oder fotografierte Dokumente mit perspektivischer Verzerrung.
OCR ersetzt keine fachliche Prüfung
Werden erkannte Daten für Zahlungen, Verträge, Buchungen oder andere kritische Vorgänge verwendet, sollte die erforderliche Qualität durch geeignete Prüf- und Plausibilitätsmechanismen abgesichert werden. Die reine OCR-Ausgabe ist nicht automatisch mit einer fachlich bestätigten Information gleichzusetzen.
Für eine reine Volltextsuche können kleinere Erkennungsfehler unter Umständen weniger kritisch sein als bei einer automatischen Übernahme einzelner Werte. Deshalb sollte die erforderliche Genauigkeit immer anhand des konkreten Anwendungsfalls beurteilt werden.
Häufig gestellte Fragen
OCR steht für Optical Character Recognition, auf Deutsch optische Zeichenerkennung. Das Verfahren erkennt Text in Bildern oder Scans und wandelt ihn in maschinenlesbare Zeichen um.
OCR kann bildbasierte PDF-Dateien um eine durchsuchbare Textebene ergänzen. Wie vollständig und korrekt der Text erkannt wird, hängt jedoch von der Qualität der Vorlage und der eingesetzten Software ab.
Handschrift kann mit spezialisierten Verfahren teilweise erkannt werden. Die Ergebnisse hängen besonders stark von der Schreibweise, der Bildqualität und der eingesetzten Erkennungstechnologie ab.
Nein. Unklare Zeichen, schlechte Vorlagen oder komplexe Seitenlayouts können zu Erkennungsfehlern führen. Bei fachlich wichtigen Daten kann deshalb eine zusätzliche Prüfung erforderlich sein.
Nein. Digital erzeugte Dokumente enthalten häufig bereits maschinenlesbaren Text. OCR ist vor allem für eingescannte oder fotografierte Dokumente relevant, deren Inhalt sonst nur als Bild vorliegt.
Fazit
OCR wandelt sichtbaren Text aus Scans, Bildern und bildbasierten PDF-Dateien in maschinenlesbare Informationen um. Dadurch können zuvor rein visuelle Dokumente durchsucht, indexiert und in weitere digitale Prozesse eingebunden werden.
Die Qualität der Erkennung hängt wesentlich von der Vorlage, der Digitalisierung und der eingesetzten Software ab. OCR sollte deshalb immer passend zum jeweiligen Anwendungsfall eingesetzt werden. Für die Volltextsuche genügt unter Umständen eine andere Genauigkeit als für die automatische Übernahme geschäftskritischer Werte.
Im Zusammenspiel mit einem Dokumentenmanagementsystem und einer strukturierten digitalen Archivierung bildet OCR eine wichtige Grundlage dafür, auch eingescannte Papierdokumente langfristig nutzbar und effizient auffindbar zu machen.