OCR uitgelegd: hoe een gescande PDF doorzoekbare tekst wordt

Een gescand document — of het nu van een echte scanner kwam of gewoon van een telefooncamera — is voor een computer een foto. Ctrl+F vindt niets, omdat er geen tekst is om te vinden, alleen pixels die voor een mens die ze leest toevallig op letters lijken.

Wat OCR eigenlijk doet

Optische tekenherkenning analyseert de vormen op de pagina en voorspelt welke tekens ze voorstellen, en voegt die voorspelde tekst dan toe als een onzichtbare, selecteerbare laag die precies boven de originele afbeelding wordt geplaatst. Visueel verandert er niets — je kijkt nog steeds naar dezelfde scan. Functioneel heeft de pagina nu echte tekst erachter die een browser of PDF-lezer kan doorzoeken, selecteren en kopiëren.

Waarom OCR hier volledig in je browser draait

OCR PDF gebruikt Tesseract.js, een WebAssembly-build van de open-source OCR-engine Tesseract, die als Web Worker draait zodat de pagina niet bevriest terwijl het werkt. De herkenning zelf gebeurt op je apparaat — de scan wordt nergens naartoe gestuurd om gelezen te worden.

Wat de nauwkeurigheid beïnvloedt

• De scankwaliteit — een scherpe, goed belichte, rechte scan wordt veel nauwkeuriger herkend dan een wazige of sterk scheve telefoonfoto.
• Handschrift — Tesseract is, net als de meeste OCR-engines, gebouwd voor gedrukte tekst; handschriftherkenning is een ander, veel minder betrouwbaar probleem.
• Ongebruikelijke lettertypen of zware stilering — decoratieve letters of tekst met weinig contrast verlagen de nauwkeurigheid op dezelfde manier als ze een mens die snel scant zouden uitdagen.