Avoimen lähdekoodin optinen merkkintunnistusohjelmisto (OCR) on tietokoneohjelma, joka ottaa kuvatiedoston tekstillä ja muuntaa sen tekstitiedostoksi, jolloin käyttäjät voivat skannata kirjoitetut tai kirjoitetut asiakirjat tekstiasiakirjoiksi, ei vain kuvatiedostoiksi. Tätä varten avoimen lähdekoodin tekstintunnistusohjelmisto tutkii tekstityylitietokantansa ja tulkitsee asiakirjan tekstitiedostoksi. Parhaan tekstintunnistusohjelman valitseminen edellyttää, että tarkastellaan, kuinka monta tekstityyliä ohjelma ymmärtää, ja sen yleistä tarkkuutta kirjainten arvaamisessa. Myös suuri määrä tulkittavia kuvatiedostoja on hyödyllinen, samoin kuin oppimismekanismi, jolla ohjelmisto voi suorittaa itsekorjauksen.
Kun avoimen lähdekoodin tekstintunnistusohjelmisto näkee kuvatiedoston, jossa on tekstiä, kuten skannatun asiakirjan, ohjelma katsoo samanaikaisesti kuvatiedostoa ja sen tekstityyppisiä tietokantoja. Kun ohjelma näkee tunnistettavan merkin tai vastaavan merkin, se tulkitsee sen kirjaimeksi. Parhaiden arvausten tekemiseksi ja OCR -ohjelman ymmärtämien fonttityylien määrän lisäämiseksi on parasta käyttää ohjelmaa, jossa on laaja tyylitietokanta. Jos sillä ei ole laajaa tietokantaa, kyky lisätä mukautettuja fontteja ohjelmaan voi korvata tämän.
Vaikka olisi hyvä, jos kaikki avoimen lähdekoodin tekstintunnistusohjelmistot pystyisivät kirjoittamaan oikean tekstin 100 prosentin tarkkuudella, näin ei aina ole. Periaatteessa kaikki tekstintunnistusohjelmat arvaavat merkkejä ja yrittävät muodostaa ymmärrettäviä kirjain- ja sanasarjoja, joiden mielestä se tulkitsee asiakirjan parhaiten. Käyttäjälle on parasta saada tarkin tekstintunnistusjärjestelmä, koska vähemmän aikaa kuluu virheellisten sanojen tai lauseiden korjaamiseen.
Jos haluat tulkita kuvatiedoston, jossa on tekstiä, avoimen lähdekoodin tekstintunnistusohjelmiston on tuettava kyseistä kuvatiedostoa. Jos kuvatiedostoa ei tueta, se ei voi katsoa sitä, mikä voi heikentää ohjelman tehokkuutta, varsinkin jos käyttäjällä on paljon tuettuja kuvatyyppejä. Käyttämällä OCR -ohjelmaa, jolla on eniten tuettuja tiedostotyyppejä, varmistetaan, että käyttäjät voivat tulkita suuren määrän asiakirjoja.
Yksi avoimen lähdekoodin tekstintunnistusohjelmiston tärkeimmistä käsitteistä on tekoäly (AI). Tämä tekoälyjärjestelmä voi auttaa OCR -ohjelmaa tekemään arvauksia, ja uuden tyylin lukemisen jälkeen OCR -ohjelman tarkkuus alkaa kasvaa. Tehokas tekoäly tuo käyttöön itsekorjautuvan mekanismin, joka parantaa tarkkuutta ilman, että käyttäjän tarvitsee tehdä mitään.