Warum Fotos von Buchseiten bei der OCR scheitern (und wie schon wenige Grad Neigung die Genauigkeit ruinieren)

Wenn Sie schon einmal versucht haben, ein Foto einer Buchseite online in Text umzuwandeln und dabei nur eine Wand aus Kauderwelsch bekommen haben, haben Sie wahrscheinlich das Falsche beschuldigt. Es liegt nahe, altes, vergilbtes Papier oder schlechte Beleuchtung als Übeltäter zu vermuten — aber im Test bewegten beide fast nichts. Die eigentliche Ursache ist fast immer etwas, das man dem Foto gar nicht ansehen kann: ein kleiner Kamerawinkel.

Der Test: dieselbe Seite, vier Bedingungen

Um herauszufinden, was OCR (optische Zeichenerkennung) bei echten Buchfotos tatsächlich zum Scheitern bringt, haben wir denselben Textblock unter vier Bedingungen durch Tesseract laufen lassen — die Open-Source-OCR-Engine: ein sauberer, flacher Scan, eine vergilbte/verblasste Seite, ein um etwa 12 Grad geneigtes Foto und ein geneigtes Foto mit zusätzlichem Blendlicht.

Bedingung	Worterkennungsgenauigkeit
Sauberer, flacher Scan	100 %
Vergilbte, verblasste Seite (ohne Neigung)	100 %
Geneigt ~12° (ohne Verfärbung)	67,7 %
Geneigt ~8° + Blendlicht	71,0 %

Die vergilbte Seite erzielte genau die gleiche Punktzahl wie die makellose — volle Punktzahl. Sobald eine Neigung ins Spiel kam, brach die Genauigkeit um ein Drittel ein und erzeugte genau die Art von Ausgabe, die jeder kennt, der schon einmal „Lehrbuch scannen zu Word“-Tools ausprobiert hat: „brow,“ statt „brown“, „Chapte,.“ statt „Chapter.“, „hidde,,“ statt „hidden“.

Warum eine winzige Neigung so viel Schaden anrichtet

OCR-Engines lesen Text, indem sie Bildzeilen nach durchgehenden horizontalen Tintenbändern absuchen — so unterscheiden sie eine Textzeile von der nächsten. Bei einem perfekt geraden Scan liegt jede Textzeile in einem ordentlichen horizontalen Band, und die Engine trennt Zeile 1, Zeile 2 und Zeile 3 sauber voneinander.

Neigen Sie die Seite auch nur um 10 Grad, und dieses saubere horizontale Band wird zu einem diagonalen Schmier über Dutzende von Pixelzeilen. Die Zeilensegmentierungslogik der Engine beginnt, Zeichen zu vermischen, die eigentlich zu zwei getrennten Zeilen gehören sollten, oder ein einzelnes Zeichen zwischen vermeintlich zwei verschiedenen Zeilen aufzuteilen. Das Ergebnis ist nicht „etwas weniger genau“ — es ist eine grundsätzlich andere Ausgabe, weil die fundamentale Einheit, die die Engine liest (eine Zeile), nicht mehr dem entspricht, was tatsächlich im Bild steht.

Das erklärt auch, warum ein Foto, das für Sie völlig lesbar aussieht, trotzdem ein unlesbares OCR-Ergebnis liefern kann. Ihr visuelles System gleicht eine Neigung von 10 Grad völlig mühelos aus — Sie nehmen sie nicht einmal als schief wahr. Eine naive OCR-Pipeline hat diesen Ausgleich nicht eingebaut und liest genau die Pixel, die ihr gegeben werden.

Die Lösung: erst geradestellen, dann erkennen — nicht umgekehrt

Die praktische Erkenntnis lautet nicht „Halten Sie Ihr Handy sorgfältiger“ — eine gewisse Neigung beim Fotografieren eines aufgeschlagenen Buches ist kaum vermeidbar, da Sie die Seite nicht flach gegen ein Scannerglas drücken. Die Lösung ist automatisch: den Neigungswinkel erkennen und korrigieren, bevor die Texterkennung läuft, nicht danach.

Eine zuverlässige Methode, den Winkel ohne aufwendiges Machine-Learning-Modell zu erkennen, ist die Projektionsprofil-Methode: Das Bild wird durch eine Reihe von Kandidatenwinkeln gedreht, und für jeden wird gemessen, wie „spitz“ die zeilenweise Tintenverteilung ist. Beim richtigen Winkel reihen sich Textzeilen zu scharfen Bändern (hohe Varianz zwischen den Zeilen); bei jedem anderen Winkel verschmiert die Tinte über die Zeilen (niedrige Varianz). Der Winkel mit der höchsten Varianz ist der Korrekturwinkel.

Wird diese Korrektur zuerst ausgeführt und dann der Text erkannt, kehrte jeder unserer geneigten Testfälle zu 100 % Worterkennungsgenauigkeit zurück — dieselbe Seite, dieselbe OCR-Engine, der einzige Unterschied war das vorherige Geraderichten.

Was das bedeutet, wenn Sie ein Buch digitalisieren

• Machen Sie sich keine Sorgen um den Papierzustand. Vergilbung, leichtes Verblassen und Kontrastverlust durch Papieralterung bewegen die Genauigkeit für sich genommen kaum. Ein altes Taschenbuch lässt sich fast genauso gut digitalisieren wie ein neues.
• Machen Sie sich Sorgen um den Winkel. Selbst eine Neigung, die Sie mit bloßem Auge nicht bemerken würden, kann den gesamten Unterschied zwischen brauchbarem Text und Unsinn ausmachen.
• Blitzlicht-Reflexionen zählen weniger als Neigung, schaden aber trotzdem. Ein heller Lichtpunkt auf glänzendem Papier kann den darunterliegenden Text komplett auslöschen — eine Winkelkorrektur behebt keinen Bereich, in dem von vornherein keine lesbare Tinte vorhanden ist.
• Ein Tool, das die Neigung automatisch korrigiert, löst das eigentliche Problem. Unser Buchseite-zu-Text-Tool führt genau diesen Erkennungs- und Korrekturschritt in Ihrem Browser aus, bevor es erkennt — kein Upload, kein Server, und es ist speziell auf das Neigungsproblem ausgelegt, statt anzunehmen, dass Sie ihm einen flachen Scan liefern.

Wenn Sie OCR schon einmal an einem Buchfoto ausprobiert und wegen unlesbarer Ergebnisse aufgegeben haben, war wahrscheinlich nicht die Seite selbst das Problem — ein paar Grad Kamerawinkel waren es mit ziemlicher Sicherheit.