Bilddateiformate für OCR: JPG, PNG, TIFF und mehr im Vergleich

Die Qualität der OCR-Ergebnisse hängt nicht nur vom verwendeten Erkennungsalgorithmus ab, sondern ganz wesentlich vom Eingabebild. Wer versteht, wie verschiedene Bilddateiformate intern funktionieren, kann die Texterkennung gezielt verbessern und vermeidet unnötige Fehler, die durch ungeeignete Formate entstehen.

Wie Bilddateiformate die Texterkennung beeinflussen

OCR-Systeme analysieren Pixel: Sie suchen nach Kanten, Kurven und Linien, die zusammen Buchstaben und Wörter formen. Dabei ist der Kontrast zwischen Schrift und Hintergrund entscheidend. Jedes Bilddateiformat geht unterschiedlich mit Farben, Kanten und Komprimierung um, was direkte Auswirkungen auf diesen Kontrast hat.

Verlustbehaftete Komprimierung wie bei JPG erzeugt Artefakte, die Schriftkanten unscharf oder körnig machen. Verlustfreie Formate wie PNG und TIFF bewahren jedes Pixel exakt so, wie es im Original vorliegt.

JPG: Weit verbreitet, aber mit Einschränkungen

JPG (auch JPEG genannt) ist das häufigste Format für Fotos und Smartphone-Aufnahmen. Es verwendet verlustbehaftete Komprimierung, was bedeutet, dass bei der Speicherung Bildinformationen dauerhaft verloren gehen.

Bei Fotos fällt das kaum auf, weil das menschliche Auge weiche Übergänge bevorzugt. Bei Text ist es anders: Schriftkanten sind scharf, und genau diese Schärfe wird durch JPG-Komprimierung aufgeweicht. Das Ergebnis sind charakteristische Blockartefakte um Buchstaben herum, die OCR-Systeme als Bildrauschen interpretieren können.

Für Smartphonefotos von Dokumenten ist JPG trotzdem brauchbar, solange die Komprimierungsqualität hoch ist (90 Prozent oder mehr). Bei niedrigen Qualitätsstufen, wie sie soziale Netzwerke oder Messaging-Apps automatisch anwenden, verschlechtert sich die Erkennungsqualität spürbar.

Fazit: JPG für Fotos akzeptabel, für gescannte Dokumente aber nicht ideal.

PNG: Die solide Wahl für Dokumente

PNG verwendet verlustfreie Komprimierung. Jedes Pixel bleibt exakt erhalten, unabhängig davon, wie oft die Datei gespeichert oder geöffnet wird. Das macht PNG zur bevorzugten Wahl für Screenshots, gescannte Dokumente und alle Bilder, bei denen Textkanten besonders scharf sein sollen.

Ein weiterer Vorteil: PNG unterstützt Transparenz, was bei OCR zwar keine direkte Rolle spielt, aber zeigt, dass das Format für technische Anwendungen ausgelegt ist.

Der Nachteil gegenüber JPG ist die größere Dateigröße. Für OCR-Zwecke ist das vernachlässigbar, sofern keine extremen Auflösungen verwendet werden.

Fazit: PNG ist die beste Wahl für Screenshots, Scans und alle Bilder mit klarem Kontrast zwischen Text und Hintergrund.

TIFF: Der Standard für professionelle Scans

TIFF ist das bevorzugte Format in Archiven, Bibliotheken und professionellen Scan-Workflows. Es unterstützt mehrere Komprimierungsverfahren, darunter verlustfreie Methoden wie LZW und PackBits, aber auch unkomprimierte Speicherung.

TIFF-Dateien können mehrere Seiten in einer Datei enthalten, was bei der Digitalisierung mehrseitiger Dokumente hilfreich ist. Viele professionelle OCR-Anwendungen verarbeiten mehrseitige TIFF-Dateien direkt, ohne dass die Seiten vorher aufgeteilt werden müssen.

Die Dateigröße ist bei TIFF deutlich höher als bei PNG oder JPG. Ein A4-Scan mit 300 dpi in TIFF kann leicht 20 bis 30 Megabyte groß sein, bei 600 dpi auch das Doppelte.

Fazit: TIFF ist optimal für professionelle Scan-Workflows und Archivierung, für den Alltagsgebrauch ist PNG einfacher handhabbar.

PDF: Kein Bildformat, aber relevant für OCR

PDF ist kein Bildformat im technischen Sinne, taucht aber im OCR-Kontext häufig auf. Gescannte PDFs enthalten das Dokument als Bild eingebettet. Dieses Bild muss erst extrahiert werden, bevor OCR darauf angewendet werden kann.

Moderne OCR-Tools können direkt mit PDF-Dateien arbeiten und extrahieren die enthaltenen Bilder intern. Die Qualität des Ergebnisses hängt davon ab, mit welcher Auflösung das Original gescannt wurde. PDFs, die direkt aus digitalen Dokumenten erstellt wurden, enthalten bereits selektierbaren Text und benötigen keine OCR.

Fazit: Bei gescannten PDFs kommt es auf die ursprüngliche Scanqualität an. Direktdigitale PDFs brauchen gar keine OCR.

WebP: Modernes Format mit Kompromissen

WebP wurde von Google entwickelt und bietet sowohl verlustbehaftete als auch verlustfreie Komprimierung bei geringerer Dateigröße als JPG oder PNG. Im Web hat sich WebP weit verbreitet, für OCR-Zwecke ist es aber weniger gebräuchlich.

Verlustfreies WebP ist für Texterkennung gut geeignet und liefert ähnliche Ergebnisse wie PNG. Komprimiertes WebP schneidet schlechter ab als PNG, aber besser als stark komprimiertes JPG. Die Unterstützung durch OCR-Tools ist nicht so universell wie bei PNG oder JPG.

Fazit: WebP ist brauchbar, aber PNG ist für OCR die sicherere Wahl.

Praktische Empfehlungen je nach Anwendungsfall

Smartphone-Foto von einem Dokument: JPG mit hoher Qualitätsstufe ist ausreichend, PNG wäre besser, wenn die Kamera-App es unterstützt.

Screenshot auf dem Desktop: Immer PNG verwenden. Screenshots in JPG verlieren unnötig Qualität.

Professionelles Scannen: TIFF mit LZW-Komprimierung bei 300 dpi oder höher. Für die Langzeitarchivierung unkomprimiertes TIFF.

Bilder aus dem Web: Oft JPG oder WebP. Die Qualität hängt davon ab, wie das Originalbild gespeichert wurde. Bei zu starker Komprimierung hilft auch das beste OCR-Tool nicht mehr.

Auflösung und Farbtiefe

Das Dateiformat allein entscheidet nicht alles. Auflösung und Farbtiefe spielen eine ebenso wichtige Rolle.

Für normale Texterkennung sind 300 dpi als Untergrenze zu verstehen. Bei kleinen Schriftgrößen unter 8 Punkt oder bei sehr feinen Schriften empfehlen sich 400 bis 600 dpi.

Farbbilder werden von OCR-Systemen oft in Graustufen umgewandelt, bevor die eigentliche Erkennung beginnt. Das Tool übernimmt diesen Schritt intern, sodass Farb-JPGs und Farb-PNGs problemlos verarbeitet werden können.

Zusammenfassung

Für die beste OCR-Qualität gilt: verlustfreie Formate bevorzugen, ausreichend Auflösung wählen und Bilder mit schlechtem Kontrast wenn möglich nachbearbeiten. PNG ist für die meisten Anwendungsfälle die praktischste Wahl, TIFF für professionelle Scan-Workflows.