Интернет-журнал "Домашняя лаборатория", 2008 №3 - Журнал «Домашняя лаборатория»

солидно, артефакты видны невооруженным глазом и даже без увеличения. Такой pdf файл относится к категории "видит око, да зуб неймет". Читать трудно, глаз привык к черным буквам на белом фоне, а уже упомянутые артефакты удовольствия не добавляют. Копировать текст вроде бы можно, да что толку, если там коктейль из русского и латинского алфавита, густо приправленный ошибками? И сделать ничего нельзя без затрат времени, причем его требуется куда больше, чем на качественное сканирование. Любопытно, что такой pdf файл получается чудовищного размера: многие десятки, а то и сотни мегабайт. Стоило ли так делать, если с какой стороны ни подойди, везде плохо, начиная от качества, кончая размером?

Вам такое нравится? Мне не очень! Если это "черно-белое" то, что же такое "серое"?

Разумнее было бы выбрать в "Формате сохранения" пункт "Только текст и картинки", как это показано на скриншоте выше. Тогда результат будет несравненно лучше предыдущего, но на глаза сразу полезут ошибки распознавания, которые нужно исправлять, а ведь не хочется, лень-матушка прежде нас родилась. Зачем стараться, когда есть хитрая опция, которая то появляется, то исчезает в FineReader? Речь идет о замене неуверенно распознанных слов их графическими изображениями:

Исходные предпосылки разработчиков были, разумеется, благими. Действительно, в распознаваемом тексте могут встретиться самые различные слова и знаки, для которых нет аналогов ни в одном фонте, а могут оказаться слова на таком языке, какого нет даже в богатом наборе самого FineReader. В таких случаях эта опция будет полезна, но при распознавании обычных текстов FineReader старательно спихивает на нее все свои косяки. При малейшем сомнении в слове, оно сохраняется в виде графической вставки. Интересно другое, на этой вставке есть слой текста и обычно слово распознано совершенно правильно. Какой хитрый алгоритм обработки! Слово распознается правильно, но, тем не менее, вставляется его графическое изображение, причем в том же неподходящем jpg.

Такие вставки совершенно напрасно увеличивают размер файла и портят весь его вид. Когда этих графических вставок многие десятки, сотни и даже тысячи на всю книгу, а исходный скан был грязно-серого цвета, уже не скажешь "Приятно глазу!". Что хорошего, когда среди нормального текста то там, то тут, наляпаны грязные пятна с отдельными словами, зачастую с другим фонтом. Простых способов исправить положение просто не существует. Вот не самый худший пример:

Обратите внимание на серую полосу перед буквой "И" в слове "Информация", по идее, ее вообще не должно было быть. Как наглядно показано, применен формат jpg, со всеми вытекающими последствиями и неизменными артефактами.

Но не все так мрачно, как может показаться на первый взгляд. По поводу установок сканера читайте в начале статьи и еще раз повторите правило: черные буквы должны остаться черными, белый фон должен быть белым, а не грязносерым, серые фотографии должны быть серыми. Про цвет речи вообще нет, хотя бы по той причине, что сканирование альбомов с художественными фотографиями в круг задач сканировщиков обычно не входит. Это достаточно редкое и нетривиальное дело, а малоцветные изображения не представляют проблемы, обычно 256 цветов хватает за глаза.

Если в книге очень мало графики, в основном представленной скриншотами или небольшими фотографиями, как это часто бывает в книгах на компьютерные темы, то выбор должен быть один: черно-белые сканы с максимально возможным разрешением, на которое у вас хватит времени и терпения или серые, с последующей обработкой и приведением к черно-белому. При выборе конечного формата pdf с текстовым слоем с помощью FineReader и нежелании исправлять ошибки после OCR (опция "Сохранять только текст и картинки" в этом случае не используется), пожалуйста, выбирайте в опциях pdf формат CCITT4, черно-белый или LZW серый (без потерь), не обращая внимания на размер конечного файла. Почему не обращая? Если нет желания сохранить скан в djvu по каким-то причинам, то, по крайней мере, оставьте шанс тем, кто может это сделать, и не портите графические файлы, о тексте речи вообще нет, тот же FineReader, только не на вашем компе, сделает OCR достаточно быстро. Все равно ваш файл будет изрядного размера, но лучше скачать 100 мегов качественных сканов, чем 50 мегов размазанной грязи. В последнем случае разочарование обходится дороже, чем лишний трафик.

Если сканы были серые, то еще и еще раз прочитайте правило, приведенное чуть выше насчет того, что чем должно остаться и подберите яркость и контраст до того, как начнете сканировать все страницы на автомате. Может статься, что вам будет лень обрабатывать несколько сот сканов, доводя их вид до ума, поэтому "лучше день потерять, потом за пять минут долететь". Повторяю просьбу: в FineReader не выбирайте jpg перед отправкой сканов с OCR в контейнер pdf, причины, на мой взгляд, достаточно убедительные, приведены выше.

Когда-то слышал хорошее правило: если ты сделаешь медленно, но хорошо, то все забудут про "медленно", но будут помнить про "хорошо". А если сделаешь быстро, но плохо, то все забудут про "быстро", но будут помнить про "плохо".

Возвратимся туда, где рассматривались режимы сканирования, и была упомянута такая вещь, как ресэмплинг. Что это и чем может помочь при сканировании? Ресэмплинг, в данном контексте, это изменение разрешения растрового изображения. Различают два вида ресэмплинга: даунсэмплинг с понижением разрешения и апсэмплинг с повышением разрешения. С даунсэмплингом вы сталкивались, когда делали из большого изображения иконку или аватару. Несмотря на сравнительно большие размеры оригинала, все равно получали хоть и маленькое, но похожее на исходное, изображение. Апсэмплинг может быть очень полезен при сканировании, он экономит время за счет искусственного повышения разрешения, следовательно, улучшается четкость изображения.

Исходные данные: одна и та же буква, полученная из pdf файла сохранением в tif, слева 300 dpi, справа 600 dpi, только обе буквы сделаны одинакового размера, на самом деле, левое изображение меньше правого. Действует обычное правило: если увеличить высоту и ширину в два раза, то площадь возрастет в четыре раза. На каждый пиксель в 300 dpi приходится четыре пикселя при 600 dpi. Отличие сразу заметно на глаз, низкое разрешение дает более изломанную границу у кривых линий.

А теперь оба изображения в 600 dpi, но правое было ресэмплировано из 300 dpi, для этого черно-белый файл открыт в Ирфане, через меню "Изображение" — "Изменить размер изображения", выбрано "Увеличить в два раза",