Das Scannen von Zeitungspapier, dünnem Wörterbuchpapier oder minderwertigem Büropapier erzeugt ein PDF mit einem ärgerlichen Problem: Der Text auf der Rückseite der Seite läuft als schwaches Geisterbild hinter dem Text durch, den Sie eigentlich lesen möchten. Dieses als Durchscheinen oder Durchscheinen bezeichnete Phänomen verwirrt OCR-Engines, da sie Vordergrundtext nicht von Hintergrundgeräuschen unterscheiden können. Die OCR-Ausgabe wird zu einer Mischung aus dem beabsichtigten Text und Fragmenten von umgekehrtem Text von der anderen Seite der Seite, was zu einer verstümmelten, unbrauchbaren Ausgabe führt.
Das Durchscheinen unterscheidet sich grundlegend von einem dunklen oder unebenen Hintergrund. Es handelt sich nicht um gleichmäßiges Rauschen, das mit einer einfachen Schwellenwertanpassung entfernt werden kann. Es handelt sich um strukturierten Text, rückwärts gedruckt und dunkler, aber dennoch strukturiert. Standard-OCR-Engines behandeln jede dunkle Markierung auf der Seite als potenziellen Text, und die Geisterzeichen auf der Rückseite haben genügend Kontrast, um eine falsche Zeichenerkennung auszulösen. Um dieses Problem zu lösen, muss das gescannte Bild vorverarbeitet werden, um das Durchscheinen zu unterdrücken, bevor die OCR-Engine es überhaupt erkennt. Der Vorverarbeitungsschritt ist für Zeitungspapier nicht optional. Der Unterschied zwischen einem durchsuchbaren Dokument und einer digitalen Datei ist nur unwesentlich nützlicher als ein Rohfoto.
Eine Studie der Digital Preservation Coalition aus dem Jahr 2025 ergab, dass die OCR-Genauigkeit bei Zeitungspapier-Scans ohne Vorverarbeitung durchschnittlich 67 Prozent betrug, verglichen mit 98 Prozent bei sauberen lasergedruckten Seiten. Mit optimierter Vorverarbeitung erreichten dieselben Zeitungspapierscans eine Genauigkeit von 94 Prozent (Digital Preservation Coalition, „OCR Performance on Degraded Paper Media“, 2025). Der Abstand von 27 Prozentpunkten zwischen roher und vorverarbeiteter Zeitungspapier-OCR stellt den Unterschied zwischen einem durchsuchbaren Dokument und einem Dokument dar, das für Textabfragen praktisch unbrauchbar ist.
Warum Standard-OCR auf Zeitungspapier und dünnem Papier fehlschlägt
Der OCR PDF-Prozess erkennt Bildbereiche, in denen die Pixelwerte um mehr als einen Schwellenwert vom Hintergrund abweichen. Auf sauberem weißem Papier mit dunklem Text lässt sich der Schwellenwert leicht festlegen: Alles, was dunkler als 50 Prozent Grau ist, ist Text, alles, was heller ist, ist Hintergrund. Auf Zeitungspapier ist das Papier selbst grau, und auch der Durchschein auf der Rückseite ist grau, oft nur geringfügig heller als der Vordergrundtext auf der Vorderseite. Ein einziger globaler Schwellenwert kann die beiden nicht trennen. Wenn Sie den Schwellenwert hoch genug einstellen, um das Durchscheinen auszuschließen, gehen auch dünne Striche und Serifen aus dem Vordergrundtext verloren. Wenn Sie den Wert niedrig genug einstellen, um den gesamten Vordergrundtext zu erfassen, wird auch der Durchschein erfasst.
Zeitungen bringen zusätzliche Herausforderungen mit sich, die über das Durchscheinen hinausgehen. Mit zunehmendem Alter ist das Papier oft vergilbt, wodurch ein ungleichmäßiger Hintergrund entsteht, der auf einer einzelnen Seite von Beige nach Braun wechselt. Der Text wird in schmalen Spalten mit kleinen Schriftgrößen gedruckt, typischerweise 6 bis 8 Punkt. Über Jahrzehnte verteilte Tinte kann dazu führen, dass Buchstaben ineinander verschwimmen und Lücken in Zeichen wie „e“ oder „e“ geschlossen werden. und "a." Und die Papieroberfläche selbst weist möglicherweise eine Textur aus dem Herstellungsprozess auf, die in hochauflösenden Scans als feine Körnung erscheint, die von OCR-Engines fälschlicherweise als Satzzeichen interpretiert wird. Jedes dieser Probleme verschlimmert die anderen, und eine Vorverarbeitungspipeline, die nur eines davon behandelt, sorgt dafür, dass der Rest die OCR-Genauigkeit beeinträchtigt.
WukongPDF verarbeitet Gescannte PDF mit adaptiver Vorverarbeitung, die automatisch das Durchscheinen erkennt und die entsprechende Hintergrundunterdrückung anwendet, bevor OCR ausgeführt wird. Dieser Ansatz erzeugt aus Scans durchsuchbaren Text, der eine Standard-OCR-Engine verwirren würde, und er funktioniert bei allen Papiertypen, von sauberem Büropapier bis hin zu vergilbtem Zeitungspapier.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Vorverarbeitungstechniken zur Unterdrückung des Durchscheinens
Der effektivste einzelne Vorverarbeitungsschritt für das Durchscheinen ist die Hintergrundschätzung und -subtraktion. Diese Technik scannt das Seitenbild, um ein Modell der lokalen Hintergrundfarbe an jedem Pixel zu erstellen. Dabei wird davon ausgegangen, dass sich der Hintergrund langsam über die Seite ändert, während der Text stark variiert. Das Hintergrundmodell wird dann vom Originalbild subtrahiert, wodurch das Durchscheinen effektiv entfernt wird, während der Vordergrundtext erhalten bleibt. Tools wie ScanTailor und die Open-Source-OCR-Engine Tesseract mit ihrem integrierten Vorverarbeitungsmodul implementieren Variationen dieser Technik.
Ein verwandter Ansatz besteht darin, einen bilateralen Filter zu verwenden, der ein Bild glättet und gleichzeitig die Kanten beibehält. Der Filter reduziert das schwache Durchscheinen, indem er es mit dem umgebenden Hintergrund mittelt, behält aber die scharfen Kanten des Vordergrundtextes bei. Das Ergebnis ist ein klareres Bild, bei dem die OCR-Engine klaren Text vor einem einheitlichen Hintergrund sieht. Die bilaterale Filterung ist rechenintensiv als die einfache Schwellenwertermittlung und nimmt in der Regel mehrere Sekunden pro Seite in Anspruch, aber die Qualitätsverbesserung bei Zeitungspapierscans ist die Verarbeitungszeit für jedes Dokument von dauerhaftem Wert wert.
Bei Scans, bei denen das Durchscheinen besonders stark ist, kann eine Technik namens Wavelet-Zerlegung das Bild in verschiedene Frequenzbänder aufteilen. Das Durchscheinen ist schwach und kontrastarm und nimmt typischerweise die Komponenten mit niedriger Amplitude der Hochfrequenzbänder ein. Indem Sie diese Komponenten unterdrücken und das Bild aus den verbleibenden Bändern rekonstruieren, können Sie das Durchscheinen entfernen und gleichzeitig die meisten Textdetails beibehalten. Diese Technik erfordert spezielle Bildverarbeitungssoftware, liefert jedoch Ergebnisse, die mit einfacheren Methoden nicht erreicht werden können, insbesondere auf Seiten, auf denen der Text auf der Rückseite fast so dunkel ist wie der Text im Vordergrund.
Schritt-für-Schritt: Scan-Setup zur Minimierung des Durchscheinens
Der beste Weg, mit dem Durchscheinen umzugehen, besteht darin, es beim Scannen zu reduzieren. Legen Sie ein Blatt schwarzes Papier hinter die zu scannende Seite. Die schwarze Rückseite absorbiert Licht, das sonst durch das dünne Papier dringen würde, vom Scannerdeckel reflektiert wird und den Text auf der Rückseite beleuchtet. Dieser einfache Schritt kann das Durchscheinen je nach Papierstärke um 50 bis 80 Prozent reduzieren. Bei sehr dünnem Papier, wie z. B. Luftpostbriefpapier oder Bibelpapier, ist ein schwarzes Trägerblatt für brauchbare Scans zwingend erforderlich.
Scannen Sie mit der höchsten optischen Auflösung, die Ihr Scanner unterstützt, normalerweise 300 bis 600 DPI für Dokumentenscanner. Eine höhere Auflösung erfasst mehr Details des Vordergrundtextes im Vergleich zum Durchscheinen, und die zusätzlichen Pixel geben den Vorverarbeitungsalgorithmen mehr Daten, mit denen sie arbeiten können. Scannen Sie in Farbe oder Graustufen statt in Schwarzweiß. Bei einem Schwarzweiß-Scan wird zum Scanzeitpunkt ein harter Schwellenwert festgelegt, der nicht rückgängig gemacht werden kann. Wenn dieser Schwellenwert für einen Teil der Seite falsch war, gehen die Informationen für immer verloren. Bei einem Farb- oder Graustufenscan bleibt der gesamte Tonwertbereich erhalten und Sie können nach dem Scan mit verschiedenen Vorverarbeitungseinstellungen experimentieren, was für Seiten wichtig ist, bei denen der optimale Schwellenwert über die Seite hinweg variiert.
Bei großen PDF-Archiv-Projekten zahlt sich die Investition in die richtige Scantechnik durch den geringeren Nachbearbeitungsaufwand um ein Vielfaches aus. Ein Scan, der eine umfangreiche Vorverarbeitung erfordert, um für OCR verwendet werden zu können, erfordert auch eine umfangreiche Verarbeitung für jede zukünftige Verwendung der Datei, einschließlich Anzeige, Drucken und zukünftiger Neuverarbeitung mit besserer OCR-Technologie. Den Scan gleich beim ersten Mal richtig zu machen, ist der kostengünstigste Schritt in jedem Digitalisierungsprojekt.
Post-OCR-Korrektur und Validierung
Nach der Ausführung der OCR für den vorverarbeiteten Scan enthält die Ausgabe immer noch Fehler auf anspruchsvollen Seiten. Führen Sie eine Rechtschreibprüfung für den erkannten Text durch, um wahrscheinliche OCR-Fehler zu kennzeichnen. Wörter, die die Rechtschreibprüfung als falsch geschrieben markiert, können manuell korrigiert werden. Lassen Sie bei kritischen Dokumenten einen Menschen eine zufällige Stichprobe von Seiten überprüfen und den OCR-Text mit dem Originalscan vergleichen, um die Fehlerquote abzuschätzen. Eine Genauigkeitsrate von 95 Prozent bedeutet, dass ungefähr jedes zwanzigste Wort falsch ist, was für Suchzwecke zwar akzeptabel ist, für die Erstellung einer originalgetreuen digitalen Transkription jedoch nicht.
Erwägen Sie bei wichtigen PDF Searchable-Projekten die Verwendung zweier verschiedener OCR-Engines für denselben vorverarbeiteten Scan und den Vergleich ihrer Ergebnisse. Wenn sich beide Engines auf ein Wort einigen, ist es mit ziemlicher Sicherheit richtig. Wenn sie nicht einverstanden sind, kommen beide Versionen für eine manuelle Überprüfung in Frage. Dieser Dual-Engine-Ansatz reduziert den manuellen Korrekturaufwand, indem nur der wirklich mehrdeutige Text an die Oberfläche gebracht wird, anstatt dass ein Prüfer jede Seite eines Dokuments lesen muss, das möglicherweise Hunderte von Seiten lang ist.
Der Aufwand einer ordnungsgemäßen Vorverarbeitung und Validierung ist gerechtfertigt, wenn die gescannten Dokumente einen langfristigen Wert haben. Ein Zeitungspapierartikel aus dem Jahr 1950, der einmal digitalisiert, sorgfältig vorverarbeitet und auf seine Richtigkeit überprüft wurde, bleibt über Jahrzehnte durchsuchbar und zitierfähig. Derselbe Artikel, der mit Standardeinstellungen und ohne Vorverarbeitung digitalisiert wurde, erzeugt möglicherweise eine OCR-Ausgabe, die so verstümmelt ist, dass sie bei der Suche praktisch verloren geht, obwohl ein Mensch das ursprüngliche Scanbild immer noch perfekt lesen kann.
Für Institutionen, die große historische Zeitungssammlungen verwalten, ist die Entwicklung einer standardisierten Vorverarbeitungspipeline eine Investition, die sich bei jedem zukünftigen Digitalisierungsprojekt und jeder zukünftigen Suchanfrage, die ein Forscher für die Sammlung durchführt, auszahlt. Die Pipeline sollte mit spezifischen Einstellungen für jedes Scannermodell und jede Papiersorte dokumentiert werden, damit neue Mitarbeiter die Ergebnisse ohne Versuch und Irrtum reproduzieren können. Eine gut dokumentierte Pipeline ermöglicht es außerdem, die Sammlung erneut zu verarbeiten, wenn sich die OCR-Technologie verbessert, indem dieselbe Vorverarbeitung mit aktualisierten Erkennungs-Engines angewendet wird, um besseren Text aus denselben Rohscans zu extrahieren, ohne auf die ursprünglichen physischen Dokumente zurückgreifen zu müssen.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.