Optical Character Recognition (OCR) bezeichnet die automatische Texterkennung in gescannten Dokumenten, Fotos oder anderen Bilddateien. Die Technik wandelt sichtbare Zeichen in maschinenlesbaren, durchsuchbaren und oft auch editierbaren Text um. Für die Datenrettung ist OCR hilfreich, wenn Dokumente nur noch als Rasterbilder vorliegen oder die ursprüngliche Textstruktur beschädigt ist und Inhalte sonst nicht zuverlässig extrahiert werden können.
Definition
Optical Character Recognition (OCR) ist ein softwaregestützter Prozess zur automatischen Erkennung gedruckter oder handgeschriebener Schrift in bildbasierten elektronischen Dokumenten. Ausgangspunkt sind Aufnahmen von Scannern oder Kameras; die OCR-Software analysiert Form, Größe, Kontrast und Position der Zeichen, segmentiert Zeilen, Wörter und Glyphen und ordnet sie passenden Zeichen der Zielsprache zu. Das Ergebnis ist ein elektronisches Dokument mit maschinenlesbarem Text, optional inklusive Grundlayout wie Absätzen und Seitenumbrüchen.
Abgrenzung: ICR (Intelligent Character Recognition) erweitert OCR um die Erkennung einfacher Handschrift, bleibt aber fehleranfälliger als bei Druckschrift. OMR (Optical Mark Recognition) erkennt hingegen Markierungen wie Ankreuzfelder und ist keine Volltexterkennung.
Funktionsweise
OCR-Systeme kombinieren Bildverarbeitung und Mustererkennung. Typische Verarbeitungsschritte sind:
- Erfassung: Scanner oder Kamera erzeugen ein Bild des Dokuments (z. B. TIFF, JPEG, PDF ohne Textlayer).
- Vorverarbeitung: Entzerrung, Schräglagenkorrektur, Rauschentfernung, Kontrastanhebung und ggf. Binarisierung zur Stabilisierung der Zeichenformen.
- Segmentierung: Trennung in Textblöcke, Zeilen, Wörter und einzelne Zeichen; Erkennung von Spalten und einfachen Tabellenrastern.
- Erkennung: Klassifikation der Zeichen per Mustervergleich oder maschinellem Lernen unter Berücksichtigung der gewählten Sprache(n) und Schriftarten.
- Nachverarbeitung: Wörterbuchabgleich, Sprachmodellierung, Korrektur typischer Fehlklassifikationen und Zusammenführung zu lesbarem Fließtext.
- Ausgabe: Export als reiner Text (TXT), als durchsuchbares PDF/PDF-A mit Textlayer, als bearbeitbares Dokument (z. B. DOCX) oder als strukturiertes OCR-Format (z. B. hOCR/ALTO).
Anwendungen
OCR wird breit eingesetzt, etwa zur Digitalisierung von Posteingängen, Belegen, Formularen und Büchern. Inhalte werden so durchsuchbar, können automatisch verschlagwortet und leichter archiviert werden.
Im Rahmen der Datenrettung dient OCR dazu, textliche Inhalte nutzbar zu machen, wenn Dateien nur noch als Bilder vorliegen oder ihre interne Textstruktur beschädigt ist. Beispiele sind rasterisierte PDF-Dokumente ohne Textlayer, gescannte Faxe, Bildschirmfotos oder teilweise defekte Office- und PDF-Dateien, deren Layout sich nicht mehr zuverlässig öffnen lässt. OCR ersetzt dabei keine physische oder logische Reparatur eines Datenträgers; sie arbeitet auf Kopien bzw. Abbildern und hilft, lesbaren Text aus bildbasierten Quellen zu gewinnen.
Ein weiterer Anwendungsbereich ist die archivarische Digitalisierung. Altbestände auf Papier, Mikrofilm oder als frühere Scannergebnisse können mittels OCR automatisiert erschlossen und durchsuchbar gemacht werden. Das beschleunigt die Bereitstellung und schützt Inhalte, indem sie in standardisierten, langlebigen Zielformaten gesichert werden.
Grenzen, Qualität und Risiken
Die Erkennungsqualität hängt stark von der Vorlage ab. Kritische Faktoren sind niedrige Auflösung, Bewegungsunschärfe, starke Kompression, Schatten, Verzerrungen, eng gesetzte oder dekorative Schriften, komplexe Layouts, Tabellen und mehrsprachige Mischungen. Handschrift wird, wenn überhaupt, nur unter günstigen Bedingungen zuverlässig erkannt.
OCR kann Inhalte falsch interpretieren, Satzzeichen verwechseln oder Zahlen fehlerhaft lesen. Häufige Folgen sind Korrekturaufwand und teilweiser Layoutverlust. Für beweiskritische oder sensible Dokumente empfiehlt sich eine Nachprüfung und, sofern möglich, eine Verarbeitung ohne externe Cloud-Dienste. In der Langzeitarchivierung sind durchsuchbare PDF/A-Varianten gängig, da sie Textlayer und eingebettete Ressourcen standardkonform bündeln.
Praxisbeispiel
Nach dem Auslesen einer beschädigten Festplatte liegt ein Teil der wieder zugänglichen Dokumente nur als rasterisierte PDF-Scans vor, während originale Office-Dateien defekt sind. Durch OCR wird aus den Bildseiten ein Textlayer erzeugt, sodass Namen, Beträge und Stichwörter wieder gesucht, kopiert und weiterverarbeitet werden können. Das ursprüngliche Layout kann abweichen, doch die wesentlichen Textinformationen stehen wieder strukturiert zur Verfügung.
Optical Character Recognition (OCR) – einfach erklärt:
OCR ist die automatische Texterkennung in Bildern und Scans. Die Software identifiziert Buchstaben und Zahlen, wandelt sie in maschinenlesbaren Text um und macht Dokumente durchsuchbar. Das ist hilfreich, wenn Inhalte nur als Bild vorliegen oder eine Datei keine intakte Textstruktur mehr hat.
Häufige Fragen und Antworten
Wofür eignet sich OCR in der Datenrettung konkret?
OCR hilft, Text aus bildbasierten Quellen wie Scans, Faxen, rasterisierten PDFs oder Screenshots zu gewinnen, wenn strukturierte Dokumente defekt oder nicht mehr lesbar sind. Sie ergänzt die eigentliche Wiederherstellung, ersetzt aber keine Reparatur eines Datenträgers oder Dateisystems.
Wie gut erkennt OCR Handschrift?
Druckschrift wird in der Regel deutlich besser erkannt als Handschrift. ICR-Verfahren können Blockschrift unter guten Bedingungen brauchbar lesen, bei kursiver oder uneinheitlicher Handschrift steigen Fehlerquote und Nachbearbeitungsbedarf schnell an.
Welche Ausgabeformate sind für OCR sinnvoll?
Üblich sind TXT für reinen Text, durchsuchbares PDF oder PDF/A mit Textlayer sowie bearbeitbare Formate wie DOCX. Für weitergehende Verarbeitung eignen sich auch strukturierte Ausgaben wie hOCR oder ALTO, die Positionen und Layoutinformationen enthalten.
Wovon hängt die Erkennungsqualität ab?
Wesentlich sind Auflösung, Schärfe, Kontrast und saubere Ausrichtung der Vorlage. Starke Kompression, Verzerrungen, Schatten, komplexe Layouts, ungebräuchliche Schriften oder mehrere Sprachen im selben Dokument verschlechtern das Ergebnis und erhöhen den Korrekturaufwand.
