Was ist OCR? So funktioniert optische Zeichenerkennung

Veröffentlicht:

15 Min. Lesezeit

Acar Diveroli
Autor: Acar Diveroli
Eine Scanlinie quert eine schräge Rechnung; ein Strahl trägt die Zeile zu einem sauberen Textfeld, wo sie blau markiert ist

Ein Buchhaltungsteam scannt die Papierrechnungen aus fünf Jahren zu PDFs und will danach alle Rechnungen eines bestimmten Lieferanten finden. Strg+F findet nichts, denn jede Seite ist ein Bild von Papier, kein Text. Eine Reisende hält ihr Smartphone über eine Speisekarte in einer fremden Sprache; ein Student möchte einen Absatz aus einem abfotografierten Lehrbuch in seine Notizen einfügen. Alle drei brauchen Software, die herausfindet, welche Buchstaben die Pixel zeigen: OCR.

Dieser Beitrag erklärt, wie eine OCR-Engine arbeitet, welche Haupttypen es gibt und wie sich die verwandten Verfahren ICR und OMR unterscheiden, was die Genauigkeit bestimmt, wie Sie OCR auf dem Smartphone, am Computer und in PDFs nutzen und welche Datenschutzregeln für gescannte Dokumente gelten.

Was ist OCR?

OCR, kurz für Optical Character Recognition (optische Zeichenerkennung), ist Software, die Buchstaben, Ziffern und Symbole in einem Bild erkennt und als Textzeichen speichert. Für einen Computer ist eine gescannte Seite ein Raster farbiger Punkte; das Wort „Rechnung“ darauf ist nicht mehr Text als die Zeichnung einer Katze. OCR verwandelt diese Punkte in Zeichen, die ein Programm durchsuchen, bearbeiten, übersetzen oder vorlesen kann.

Als Eingabe dient ein Scan, das Foto eines Kassenbons, ein Screenshot oder ein Straßenschild im Kamerabild. Die Ausgabe ist Text, oft mit der Position jedes Wortes und einem Wert dafür, wie sicher sich die Engine ist. „OCR-Scan“ bedeutet, Papier zu scannen und OCR im selben Durchgang auszuführen, wie es viele Scan-Apps tun.

Wie funktioniert OCR?

OCR arbeitet als Pipeline: Die Engine bereitet das Bild vor, findet heraus, wo der Text steht, erkennt ihn und bereinigt das Ergebnis, und zwar in sechs Schritten:

  1. Erfassung. Ein Scanner, eine Kamera oder ein Screenshot liefert das Bild. Die Tesseract-Dokumentation empfiehlt für Scans mindestens 300 DPI; ein Smartphone-Foto sollte scharf, gleichmäßig ausgeleuchtet und gerade von vorn aufgenommen sein.
  2. Vorverarbeitung. Die Engine richtet eine schräge Seite gerade aus (Deskewing), wandelt sie in dunklen Text auf hellem Grund um (Binarisierung), entfernt Flecken und Scanränder und vergrößert kleine Schrift.
  3. Layoutanalyse. Die Seite wird in Blöcke, Spalten, Zeilen und Wörter zerlegt, und die Lesereihenfolge wird festgelegt. Liest man eine zweispaltige Seite einfach quer, vermischen sich die Sätze; Tabellen scheitern am häufigsten an diesem Schritt.
  4. Erkennung. Ältere Engines verglichen jedes Zeichen mit gespeicherten Formen. Aktuelle Engines geben das Bild einer ganzen Zeile an ein neuronales Netz, das die wahrscheinlichsten Zeichen ausgibt.
  5. Sprachkorrektur. Ein Wörterbuch oder Sprachmodell macht aus „c1ient“ das Wort „client“. Es kann aber auch eine Artikelnummer oder einen Nachnamen fälschlich „korrigieren“, deshalb lässt sich dieser Schritt in manchen Tools abschalten.
  6. Ausgabe. Reiner Text, Text mit Wortpositionen (Formate wie hOCR und ALTO) oder ein durchsuchbares PDF, meist mit einem Konfidenzwert pro Wort, der einer prüfenden Person zeigt, wo sie genauer hinschauen sollte.

Tesseract, eine verbreitete Open-Source-Engine, zeigt diesen Wandel. Sie wurde von 1985 bis 1994 bei Hewlett-Packard entwickelt und 2005 als Open Source veröffentlicht; Version 4 brachte eine Engine auf Basis neuronaler Netze (LSTM, ein Netztyp für Sequenzen), die ganze Zeilen statt einzelner Zeichen erkennt.

Welche Arten von OCR-Technologie gibt es?

OCR-Technologie lässt sich in drei Familien einteilen: klassische Engines, die Zeichenformen abgleichen, Deep-Learning-OCR, die ganze Zeilen mit neuronalen Netzen liest, und Vision-Language-Modelle, die eine Seite in einem einzigen Modell lesen und interpretieren.

AnsatzWie er liestStark beiSchwachstelle
Klassische OCRGleicht die Form jedes Zeichens abSaubere Druckseiten, gängige SchriftenBildrauschen, ungewöhnliche Schriften, Handschrift
Deep-Learning-OCREin neuronales Netz liest ganze ZeilenUnterschiedliche Schriften, Fotos, viele SprachenTabellen und komplexe Layouts
Vision-Language-ModellLiest die Seite und beantwortet Fragen dazuUnordentliche Layouts, Fragen zu einem DokumentKann Text umformulieren oder erfinden; teurer

Deep-Learning-OCR kombinierte bisher meist ein Faltungsnetz (CNN), das visuelle Merkmale aus dem Zeilenbild gewinnt, mit einem rekurrenten Netz (RNN), das daraus Zeichen macht, dazu ein separates Sprachmodell. Das TrOCR-Paper von Forschenden bei Microsoft nutzt für beide Teile Transformer, die Architektur hinter großen Sprachmodellen. So liest ein einziges Modell das Bild und schreibt den Text, ganz ohne separates Sprachmodell.

Sollten Sie OCR oder ein Vision-Language-Modell nutzen?

Nutzen Sie OCR, wenn Sie eine exakte Kopie des Textes mit Positionen und Konfidenzwerten brauchen, und ein Vision-Language-Modell, wenn Ihnen die Bedeutung eines unordentlichen Dokuments wichtiger ist als eine zeichengenaue Kopie. Ein Vision-Language-Modell (VLM) ist ein multimodales Modell, also eines, das Bild und Text zusammen als Eingabe verarbeitet, wie der Beitrag Was ist multimodale KI? erklärt.

Eine OCR-Engine kopiert: Jedes Zeichen stammt aus einem Bereich des Bildes, und die Engine kann sagen, aus welchem und wie sicher sie ist. Ein Vision-Language-Modell erzeugt dagegen die wahrscheinlichste Antwort. Damit kommt es mit einem zerknitterten Kassenbon oder einem unbekannten Formular zurecht, kann aber auch einen Tippfehler korrigieren, der wirklich auf der Seite stand, eine Zeile überspringen oder eine plausible Zahl schreiben, die dort gar nicht steht.

Viele Pipelines nutzen beides: OCR für Text und Positionen, ein Sprachmodell, das den Text Feldern wie Lieferant und Gesamtbetrag zuordnet, und einen Menschen für Fälle mit niedriger Konfidenz.

OCR, ICR und OMR: Was ist der Unterschied?

OCR liest maschinell gedruckten Text, ICR liest von Hand geschriebene Druckbuchstaben, und OMR erkennt Markierungen wie angekreuzte Kästchen und ausgefüllte Kreise. Die Namen stammen von Papierformularen, bei denen ein einziges Blatt oft alle drei braucht.

  • OCR (Optical Character Recognition, optische Zeichenerkennung) ist der Oberbegriff und die übliche Bezeichnung für das Lesen von getipptem und gedrucktem Text.
  • ICR (Intelligent Character Recognition, intelligente Zeichenerkennung) meint meist das Lesen handgeschriebener Druckbuchstaben, typischerweise Großbuchstaben, einer pro Kästchen. Der Begriff wird unscharf verwendet, und viele Produkte fassen ihn heute unter OCR.
  • OMR (Optical Mark Recognition, optische Markierungserkennung) liest überhaupt keine Zeichen, sondern prüft, ob ein Kästchen oder Kreis markiert ist, etwa auf Prüfungsbögen und Volkszählungsformularen, deren handschriftliche Antworten getrennt verarbeitet werden.
  • HTR (Handwritten Text Recognition, Handschrifterkennung) umfasst freie, verbundene Handschrift wie Briefe und historische Manuskripte, den schwierigsten Fall.

Was beeinflusst die Genauigkeit von OCR?

Die Eingabe bestimmt die Genauigkeit von OCR stärker als die Engine: Ein scharfer Scan einer Druckseite mit 300 DPI und das Foto eines zerknitterten Kassenbons liefern mit derselben Software sehr unterschiedliche Ergebnisse. Die wichtigsten Faktoren:

  • Auflösung und Schärfe. Unscharfe Zeichen verlieren das Detail, das „e“ von „c“ und „rn“ von „m“ unterscheidet.
  • Schräglage und Perspektive. Schräg fotografierte Seiten haben schiefe Zeilen; dicke Bücher wölben sich zum Buchrücken hin.
  • Kontrast und Hintergrund. Verblasste Tinte, farbiges Papier, Stempel und Schatten erzeugen Bildrauschen.
  • Schriften und Handschrift. Verzierte oder winzige Schrift ist schwerer zu lesen, verbundene Schreibschrift weit schwerer als Druckbuchstaben.
  • Layout. Tabellen, Spalten und Text über Bildern bringen die Lesereihenfolge durcheinander.
  • Sprachdaten. Die Engine muss das Alphabet der Sprache auf der Seite kennen, idealerweise auch ihre Wörter.

Gemessen wird die Genauigkeit meist als Zeichenfehlerrate (Character Error Rate, CER): die Zahl der Zeichen, die eingefügt, gelöscht oder ersetzt werden müssen, um den korrekten Text zu erhalten, geteilt durch dessen Länge. Auch eine niedrige Rate kann die eine falsche Ziffer in einer Summe verbergen. Entscheiden Sie anhand der Konfidenzwerte, was Sie prüfen, und kontrollieren Sie wichtige Felder jedes Mal.

Funktioniert OCR in jeder Sprache?

OCR funktioniert in einer Sprache nur, wenn die Engine mit deren Zeichen trainiert wurde, und besser, wenn sie auch die Wörter kennt. Tesseract erkennt mehr als 100 Sprachen mit je einer eigenen Datendatei, und die Liste der Sprachdateien führt Türkisch unter dem Code tur, neben Englisch (eng).

Eine falsche Einstellung erzeugt Fehler, die klein wirken und die Suche zerstören. Eine auf Englisch eingestellte Engine liest das türkische punktlose i (ı) womöglich als gewöhnliches i und das g mit Breve (ğ) als einfaches g; eine spätere Suche nach der korrekten Schreibung findet dann nichts. Wählen Sie bei gemischten Dokumenten beide Sprachen aus (Tesseract akzeptiert tur+eng). Schriftsysteme wie das arabische oder chinesische brauchen eigene Modelle; prüfen Sie vor einem Stapellauf, ob das passende installiert ist.

Wie nutzen Sie OCR auf dem Smartphone oder Computer?

Die meisten Smartphones haben OCR bereits an Bord: Mit Google Lens auf Android und Live Text auf dem iPhone markieren Sie Text in einem Foto oder im Kamerabild und kopieren oder übersetzen ihn.

Öffnen Sie auf Android die Google App, tippen Sie in der Suchleiste auf das Google-Lens-Symbol und nehmen Sie ein Foto auf oder wählen Sie einen Screenshot. Tippen Sie auf den Text und dann auf Text auswählen; das Menü bietet Kopieren, Anhören, Übersetzen und Suchen. Googles Hilfeseite zu Lens nennt auch die wichtigste Voraussetzung: ein klares, gut ausgeleuchtetes Bild.

Auf einem iPhone XS, iPhone XR oder neuer mit iOS 15 oder neuer öffnen Sie ein Foto, halten ein Wort gedrückt, verschieben die Griffpunkte und tippen auf Kopieren oder Alles auswählen. Passiert nichts, aktivieren Sie Einstellungen > Allgemein > Sprache & Region > Live Text. Apples Anleitung erklärt auch das Übersetzen; Live Text ist nicht in jeder Region und Sprache verfügbar.

Am Computer können viele Scan-Apps und PDF-Editoren Text in einem Scan erkennen und ein durchsuchbares PDF speichern. Für größere Aufgaben läuft Tesseract über die Kommandozeile oder Python; der Beitrag Daten aus PDF extrahieren enthält getesteten Code für gescannte Seiten.

Was bedeutet OCR bei einem PDF?

OCR bei einem PDF bedeutet, einem gescannten PDF eine Textebene hinzuzufügen: Die Seite sieht weiterhin aus wie der Scan, aber darüber liegt unsichtbarer Text, jedes Wort über seinem Bild. Es gibt drei Arten von PDFs:

  • Text-PDF. Aus einer Software exportiert; der Text ist bereits als Zeichen gespeichert, OCR kann also nur Fehler hinzufügen.
  • Reines Bild-PDF. Ein Scan ohne OCR; jede Seite ist ein Bild, und die Suche findet nichts.
  • Durchsuchbares PDF. Der Scan plus verborgener OCR-Text; Suche, Kopieren und Screenreader funktionieren, soweit die Erkennung richtig lag.

Die Textebene ist auch für die Barrierefreiheit wichtig. Die Technik PDF7 des W3C bezeichnet gescannte Textbilder als grundsätzlich nicht barrierefrei und empfiehlt OCR, gefolgt von einer Prüfung, ob der Text vollständig ist und in der richtigen Lesereihenfolge steht. Bewahren Sie die Original-Scans auf, damit eine bessere OCR später wieder beim Bild ansetzen kann.

Wo wird OCR eingesetzt?

OCR kommt überall dort zum Einsatz, wo Text als Papier, Bild oder Scan ankommt und in einem System landen muss:

  • Rechnungen und Belege. Lieferant, Datum und Summe gelangen ohne Abtippen in die Buchhaltungssoftware.
  • Formulare. Anträge, Schadenmeldungen und Lieferscheine, oft mit OCR, ICR und OMR zusammen gelesen.
  • Archive und Bibliotheken. Bücher, Zeitungen und Akten werden nach Wörtern durchsuchbar.
  • Barrierefreiheit. Gedruckter Text wird vorgelesen, und Scans funktionieren mit Screenreadern.
  • Übersetzung unterwegs. Schilder, Speisekarten und Etiketten in einer unbekannten Sprache.
  • Logistik. Versandetiketten, Containernummern und Seriennummern; die Kennzeichenerkennung ist eine spezialisierte Form von OCR mit eigenen rechtlichen Regeln.

OCR liefert nur Text. Aus der Zeile „Gesamtbetrag: 1.240,00“ ein Feld total mit der Zahl 1240 zu machen, ist ein eigener Schritt namens Parsing, den der Beitrag Was ist Data Parsing? erklärt. Produkte, die OCR mit Dokumentklassifizierung, Feldextraktion und Validierung kombinieren, werden oft als intelligente Dokumentenverarbeitung (Intelligent Document Processing, IDP) verkauft.

Welche Datenschutzregeln gelten für OCR bei Dokumenten?

OCR ändert nichts daran, wer ein Dokument lesen darf: Wenn Sie die personenbezogenen Daten in einer Datei nicht verarbeiten dürfen, wird das durch OCR nicht erlaubt, und die Daten lassen sich danach sogar leichter durchsuchen und kopieren. Ausweisdokumente, Gehaltsabrechnungen und Krankenakten sind die üblichen Beispiele.

Nach der Datenschutz-Grundverordnung (DSGVO) in der EU und dem Gesetz Nr. 6698 über den Schutz personenbezogener Daten (KVKK) in Türkiye sind Gesundheitsdaten und biometrische Daten zur Identifizierung einer Person besondere Kategorien personenbezogener Daten, für die strengere Bedingungen gelten. In der Praxis heißt das:

  • Führen Sie OCR nur bei Dokumenten aus, die Sie verarbeiten dürfen, niemals beim Ausweisdokument einer anderen Person.
  • Bevorzugen Sie bei sensiblen Dateien OCR auf Ihrem eigenen Gerät oder Ihren eigenen Servern; prüfen Sie bei einem Clouddienst, wo Dateien gespeichert werden, wie lange und ob sie zum Training von Modellen dienen.
  • Extrahieren Sie die Felder, die Sie brauchen, schwärzen Sie den Rest und löschen Sie Ausgaben, die Sie nicht mehr nutzen.

Wo kommen Proxys ins Spiel?

Mit OCR selbst haben Proxys nichts zu tun; sie werden einen Schritt früher wichtig, wenn die benötigten Dokumente öffentliche Dateien auf Websites in anderen Ländern sind. Kataloge, öffentliche Bekanntmachungen, Preislisten und Speisekarten erscheinen oft als Bilder oder gescannte PDFs, und manche Websites liefern je nach Land des Besuchers eine andere Version aus.

Ein Residential-Proxy leitet Anfragen über private Internetanschlüsse in dem Land und der Stadt Ihrer Wahl, sodass Sie herunterladen, was lokale Besucher erhalten. Sammeln Sie nur öffentliche Dateien, beachten Sie robots.txt und die Nutzungsbedingungen der Website, halten Sie die Anfragerate niedrig und nutzen Sie einen offiziellen Download oder eine API, wo es eine gibt.

Wer die Erhebung nicht selbst betreiben möchte, kann unser Vertriebsteam nach der verwalteten Seitenextraktion über unsere Web Scraping API fragen.

Häufige Fehler

  • OCR auf ein PDF anwenden, das bereits Text enthält. Exakte Zeichen werden durch Schätzungen ersetzt.
  • Mit zu geringer Auflösung scannen oder schräg fotografieren. Die bei der Aufnahme gesparten Sekunden kosten bei den Korrekturen weit mehr.
  • Die Sprache auf Englisch belassen. Buchstaben mit diakritischen Zeichen und andere Alphabete kommen falsch heraus.
  • Zahlen ungeprüft vertrauen. Beträge und Datumsangaben brauchen eine Gegenrechnung oder einen zweiten Blick.
  • Erwarten, dass Tabellen als Tabellen herauskommen. OCR liefert Zeilen; die Spalten müssen neu aufgebaut werden.
  • Die Originalbilder wegwerfen. Eine bessere OCR braucht sie später.
  • Ausweisdokumente in einen unbekannten kostenlosen Konverter hochladen. Nutzen Sie lokale OCR oder einen Dienst mit klaren Bedingungen.
  • Die Abschrift eines Chatbots für exakt halten. Vergleichen Sie wichtige Werte mit dem Bild.

Entscheidungshilfe

BedarfLösung
Ein paar Zeilen aus einem Foto oder Screenshot kopierenGoogle Lens oder Live Text auf dem Smartphone
Alte Scans durchsuchbar machenOCR zu einem durchsuchbaren PDF, Originale aufbewahren
Text aus Hunderten gescannter SeitenEine OCR-Engine wie Tesseract im Stapelbetrieb
Felder aus Rechnungen oder FormularenOCR plus Parsing und Validierung, mit menschlicher Prüfung
Fragen zu einem unordentlichen DokumentEin Vision-Language-Modell, wichtige Werte nachgeprüft
Angekreuzte Kästchen auf PapierformularenOMR
Verbundene Handschrift oder alte ManuskripteEin Modell zur Handschrifterkennung, plus Prüfung
Ausweis- oder GesundheitsdokumenteLokale OCR, eine Rechtsgrundlage und Datenminimierung

Häufige Fragen

Ist OCR künstliche Intelligenz?

Moderne OCR ist eine Form von KI: Ihr Erkennungsschritt ist ein neuronales Netz, das mit großen Mengen annotierter Textbilder trainiert wurde. Ältere Engines stützten sich auf von Hand formulierte Regeln und Formabgleich. Generative KI ist OCR allerdings nicht: Sie kopiert, was auf der Seite steht, während ein generatives Modell neuen Text schreibt, und deshalb machen beide unterschiedliche Arten von Fehlern.

Ist OCR kostenlos?

Ja, kostenlose OCR ist leicht zu finden. Tesseract ist Open Source unter der Apache-2.0-Lizenz, Google Lens und Live Text kosten auf dem Smartphone nichts, und viele Scan-Apps enthalten OCR. Kostenpflichtige Tools bieten meist einen besseren Umgang mit schlechten Scans, Tabellen und Handschrift, dazu Formularvorlagen und die Verarbeitung großer Mengen.

Wie genau ist OCR?

Bei scharfen Druckseiten macht moderne OCR wenige Fehler, bei unscharfen Fotos, Handschrift und Tabellen deutlich mehr. Eine allgemeingültige Zahl gibt es nicht, weil das Ergebnis von der Eingabe abhängt; messen Sie deshalb die Zeichenfehlerrate an einer Stichprobe Ihrer eigenen Dokumente.

Kann OCR Handschrift lesen?

Teilweise. Handgeschriebene Großbuchstaben in Formularkästchen werden seit Langem automatisch gelesen, und neuronale Modelle lesen inzwischen auch saubere verbundene Handschrift. Unordentliche Handschrift und historische Dokumente brauchen ein Modell, das für diese Art von Schrift trainiert wurde, und einen Menschen, der das Ergebnis prüft.

Was ist ein durchsuchbares PDF?

Ein durchsuchbares PDF ist ein gescanntes PDF mit einer unsichtbaren OCR-Textebene hinter dem Seitenbild. Es sieht genauso aus wie der Scan, aber Sie können darin suchen, den Text kopieren und ihn von einem Screenreader vorlesen lassen.

Kann OCR türkische Buchstaben lesen?

Ja, wenn die Engine türkische Sprachdaten hat. Tesseract hat ein türkisches Modell (tur), und Apple führt Türkisch unter den Sprachen von Live Text. Ist nur Englisch ausgewählt, können türkische Buchstaben als einfache lateinische herauskommen; wählen Sie deshalb Türkisch aus, bei gemischten Dokumenten Türkisch und Englisch.

Fazit

OCR verwandelt Text in Bildern in echten Text: Die Engine bereinigt das Bild, findet die Zeilen, erkennt die Zeichen mit einem neuronalen Netz und korrigiert die Ausgabe mit Sprachdaten. Am besten arbeitet sie mit scharfen, geraden Scans in einer Sprache, die sie kennt. Nutzen Sie das Smartphone für schnelle Kopien, durchsuchbare PDFs für Archive und OCR mit Parsing und menschlicher Prüfung für Geschäftsdokumente; bewahren Sie die Originale auf und behandeln Sie Ausweis- und Gesundheitsdokumente nach den Regeln von DSGVO oder KVKK.

ChatGPT fragenClaude fragen