BMP naar TXT omzetten

Deze pagina hoort bij het overzetten van een ouder beeldarchief: pagina’s die door een faxgateway, een verouderd Windows-documentsysteem of een scannerdriver als bitmap zijn weggeschreven, meestal een map tegelijk, als onderdeel van het loskomen van het systeem dat ze produceerde.

Dat onderscheidt deze pagina van de andere OCR-pagina’s op deze site: een JPG komt vaker van een telefoonfoto, een PNG van een schermafbeelding. Een BMP van tekst wijst vrijwel altijd op deze specifieke, oudere herkomst.

De herkenner leest niet letterlijk de tekst, maar herkent pixelpatronen en raadt welke tekens erbij horen. Dat gebeurt volledig lokaal in de browser, met een model dat bij het eerste gebruik wordt gedownload en daarna lokaal blijft staan.

Bij een scherpe, contrastrijke bitmap is de herkenning doorgaans betrouwbaar. Bij een fax met veel ruis of een lage resolutie neemt de foutmarge merkbaar toe — dat is een eigenschap van het bronmateriaal, niet iets wat een instelling kan compenseren.

Herkenning is beschikbaar in het Engels, Duits, Frans en Spaans, met Engels als standaard. Wordt de verkeerde taal gekozen, dan geeft de herkenner geen foutmelding — hij levert zelfverzekerd ogende tekst die niet klopt met wat er werkelijk op de pagina staat.

Voor een fax- of documentarchief in een andere taal dan die vier is dus voorzichtigheid geboden: controleer een steekproef van het resultaat voordat een hele map wordt vertrouwd.

Tekstherkenning is het enige onderdeel van deze site dat een fout antwoord kan geven zonder dat er iets fout lijkt te gaan: de uitvoer ziet er altijd uit als leesbare tekst, ongeacht of hij overeenkomt met het origineel.

Bij een oud faxbestand met vlekken, gebogen regels of een schuine scan is dat risico groter dan bij een moderne, rechte scan. Een handmatige controle van de uitvoer blijft daarom verstandig bij archiefmateriaal.

De uitvoer is platte tekst: geen kolomherkenning, geen tabelstructuur, geen opmaak. Regels en witruimte komen precies zo terug als de herkenner ze produceerde, zonder verdere opschoning.

Voor een formulier met kolommen of een tabel betekent dat dat de leesvolgorde in de tekst kan afwijken van de visuele indeling op de originele pagina — de cijfers en woorden staan er wel, maar niet noodzakelijk in de verwachte volgorde.

Tekstherkenning kost merkbaar meer tijd dan een gewone bestandsomzetting, vooral bij het eerste gebruik in een sessie, wanneer het herkenningsmodel nog moet worden opgehaald. Reken op enkele seconden per pagina.

Bij een archief van honderden faxen loopt dat op, maar het gebeurt volledig op het eigen apparaat — er is geen serverwachtrij die de snelheid verder beïnvloedt.

De bitmap wordt niet naar een server gestuurd; alles, inclusief het herkenningsmodel zelf, blijft op het eigen apparaat. Voor een archief met persoonsgegevens is dat relevant.

De limiet op het gratis plan is 100 MB per bestand — voor een enkele gescande pagina is dat in de praktijk geen beperking.

Tot honderd BMP-bestanden tegelijk kunnen in één sessie worden verwerkt, elk met een eigen voortgangsindicator, en het resultaat komt terug als losse tekstbestanden of als ZIP.

Dat maakt het behapbaar om een map met oude faxen of scans in één keer om te zetten, zonder elk bestand apart te hoeven aanbieden.