Какое DPI нужно для OCR
Работайте на 300 точках на дюйм. Арифметика простая: буква кегля 10 занимает по высоте десять семьдесят вторых дюйма, то есть около 42 пикселей на 300 DPI и около 21 на 150. Во втором случае тонкая перекладина ғ или засечка попадает в один-два пикселя и исчезает при первом же сжатии. Сверху ограничение с нашей стороны: страница крупнее 25 мегапикселей пропускается, а A4 на 600 DPI — это 34,8 мегапикселя.
Коротко о цифрах
- Рабочая точка
- 300 DPI: A4 — 2480×3508 пикселей, 8,7 Мпикс
- Высота буквы кегля 10
- около 42 пикселей на 300 DPI, около 21 на 150
- Наш потолок на страницу
- 25 Мпикс, всё крупнее идёт без распознавания
- A4 при 600 DPI
- 4961×7016 пикселей, 34,8 Мпикс — за потолком
- Цена удвоения DPI
- вчетверо больше пикселей, памяти и времени
Три ориентира и что за ними стоит
- 150 DPI — A4 это 1240×1754 пикселя. Читается человеком, но у мелкого шрифта штрихи сливаются, и ошибок заметно больше.
- 300 DPI — A4 это 2480×3508 пикселя и 8,7 мегапикселя. Рабочая точка: детали букв ещё целы, вес ещё разумен.
- 600 DPI — A4 это 4961×7016 пикселей и 34,8 мегапикселя. Точности почти не добавляет, зато выходит за наш потолок в 25 мегапикселей, и такая страница пропускается без слоя.
- Удвоение разрешения учетверяет число пикселей: с 300 на 600 страница дорожает вчетверо и по памяти, и по времени.
Как узнать разрешение уже готового скана
- Откройте страницу в масштабе 100% и присмотритесь к мелкому шрифту: рассыпающиеся на точки буквы означают недостаточное разрешение.
- Прикиньте по весу: цветной A4 на 300 DPI в JPEG обычно занимает сотни килобайт, на 150 — в разы меньше.
- Экспортируйте одну страницу в JPG на 300 DPI и сравните с исходником: если картинка стала заметно крупнее и мягче, оригинал был мельче.
- Помните, что повышение DPI при экспорте не добавляет деталей — оно только растягивает уже имеющиеся пиксели.
Когда стоит отойти от 300
Вниз — почти никогда. Экономия на разрешении оборачивается вычиткой распознанного текста, а это дороже нескольких мегабайт. Единственный разумный случай — крупный шрифт печатной книги без мелких сносок: там и 200 DPI держится сносно.
Вверх — только для очень мелкого шрифта, например для сносок кегля 6 или для плотных таблиц. Но помните про потолок: сканируйте на 400 DPI и держите площадь листа в пределах A4, иначе страница выйдет за 25 мегапикселей и останется без текстового слоя. Для A3 надёжнее 300 DPI, а не 400.
Частые вопросы
Можно ли повысить разрешение уже готового скана?
Растянуть картинку можно, добавить в неё деталей — нет. Пиксели, которых не было при сканировании, не появятся от увеличения, и распознаватель увидит те же слипшиеся штрихи, только крупнее и мягче.
Почему 600 DPI не лучше, чем 300?
Формы букв на трёхстах точках уже переданы полностью, и удвоение добавляет шум бумаги, а не детали текста. Плюс страница вырастает до 34,8 мегапикселя и выходит за наш потолок в двадцать пять.
Какое разрешение выбрать для документа А3?
Триста точек на дюйм. При четырёхстах лист формата А3 даёт около 62 мегапикселей — это далеко за пределом, и такая страница вернётся к вам вообще без текстового слоя.
Влияет ли цветность на распознавание?
Цвет сам по себе точности не добавляет, а вес файла утраивает — три канала вместо одного. Для документов достаточно оттенков серого, и в лимит тридцати мегабайт они укладываются гораздо свободнее.