Durch das Scannen eines gebundenen Bandes wie eines Buches, einer Dissertation, einer Zeitschrift oder eines Hauptbuchs entsteht eine PDF-Datei, bei der die Seiten abwechselnd im Hoch- und Querformat ausgerichtet sind. Die linken Seiten des aufgeschlagenen Buches werden in einer Ausrichtung gescannt und die rechten Seiten in einer anderen, oder das gesamte Buch wird mit abwechselnden Seitendrehungen gescannt, da der Scannerbediener das Buch für jede Seite umgedreht hat, ohne das gescannte Bild zu drehen. Das Ergebnis ist ein PDF, bei dem jede zweite Seite bei der Anzeige auf dem Bildschirm um 90 oder 180 Grad gedreht erscheint. Wenn Sie OCR für dieses Dokument ausführen, ohne zuvor die Seitenausrichtungen zu normalisieren, entsteht Text, der abwechselnd richtig ausgerichtet und gedreht ist, wodurch der erkannte Text für die Suche oder Extraktion unbrauchbar wird. Die Lösung erfordert einen Vorverarbeitungsschritt, der die Ausrichtung jeder Seite erkennt und korrigiert, bevor OCR sie verarbeitet.
Warum das Scannen gebundener Volumen zu wechselnden Seitenausrichtungen führt
Beim Scannen eines gebundenen Bandes werden für jede Doppelseite zwei Seiten mit der Vorderseite nach unten auf das Scannerbett gelegt. Die linke Seite des Buchs erscheint auf der rechten Seite des Scannerbetts und die rechte Seite erscheint auf der linken Seite, jeweils um 180 Grad gedreht. Wenn der Scannerbediener diese Drehung nicht für jede einzelne Seite korrigiert, enthält das gescannte PDF Seiten, bei denen jede zweite Seite auf dem Kopf steht. Ein 200-seitiges Buch erzeugt ein PDF mit 200 Seiten, von denen 100 richtig ausgerichtet und 100 um 180 Grad gedreht sind. Das Muster ist regelmäßig und vorhersehbar: Alle ungeraden Seiten sind möglicherweise korrekt ausgerichtet und alle geraden Seiten gedreht oder umgekehrt.
Einige gebundene Bände werden gescannt, indem das offene Buch mit horizontal verlaufendem Text auf den Scanner gelegt wird, wodurch ein einziges Bild entsteht, das sowohl die linke als auch die rechte Seite enthält. Dieses Bild wird dann in zwei separate Seiten aufgeteilt, aber beim Aufteilungsvorgang wird die rechte Seite nicht immer gedreht, um sie an die Ausrichtung der linken Seite anzupassen. Das Ergebnis ist ein PDF, bei dem die linken Seiten korrekt ausgerichtet und die rechten Seiten um 90 Grad gedreht sind oder umgekehrt. Die OCR-Engine, die erwartet, dass der Text horizontal von links nach rechts über die Seite verläuft, kann Text auf den gedrehten Seiten nicht erkennen, da der Text vertikal oder verkehrt herum verläuft.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Erkennen der Seitenausrichtung vor der OCR-Verarbeitung
Überprüfen Sie vor dem Ausführen von OCR die Miniaturansichten der Seiten im PDF-Viewer. Die wechselnde Ausrichtung ist sofort im Miniaturbildfenster sichtbar, wo jedes zweite Miniaturbild gedreht erscheint. Zählen Sie das Ausrichtungsmuster: Ungerade Seiten richtig und gerade Seiten gedreht ist das häufigste Muster, aber auch das Gegenteil ist möglich. Wenn das Muster konsistent ist, kann ein Stapelrotationsvorgang alle betroffenen Seiten in einem einzigen Befehl korrigieren. Die meisten PDF-Viewer ermöglichen die Auswahl mehrerer Seiten im Miniaturansichtsfenster und das gleichzeitige Anwenden einer Drehung auf alle ausgewählten Seiten. Wählen Sie alle Seiten mit geraden Seitenzahlen aus, drehen Sie sie je nach Bedarf um 180 Grad oder 90 Grad und speichern Sie das Dokument. Das Miniaturbildfenster zeigt jetzt alle Seiten in der richtigen Ausrichtung an.
Das OCR PDF-Tool von WukongPDF verarbeitet jede Seite unabhängig, geht jedoch davon aus, dass der Text horizontal ausgerichtet ist. Wenn die Seite gedreht wird, erkennt die OCR-Engine entweder keinen Text oder erzeugt eine verstümmelte Ausgabe, weil sie versucht, vertikalen oder auf dem Kopf stehenden Text so zu lesen, als wäre er horizontal. Das Korrigieren der Seitenausrichtung vor der OCR ist ein erforderlicher Vorverarbeitungsschritt. Nachdem Sie die betroffenen Seiten gedreht und das Dokument gespeichert haben, führen Sie OCR für die normalisierte PDF-Datei aus. Die Erkennungsgenauigkeit bleibt auf allen Seiten gleich, da nun jede Seite den Text in der von der OCR-Engine erwarteten Ausrichtung darstellt.
Umgang mit inkonsistenten Orientierungsmustern im gesamten Dokument
Nicht alle gebundenen Bände erzeugen ein sauberes Wechselmuster. Ein von zwei verschiedenen Bedienern gescanntes Buch, ein zu unterschiedlichen Zeiten gescannter Satz mit mehreren Bänden oder ein Dokument, das nach dem ersten Scan teilweise erneut gescannt wurde, können unregelmäßige Ausrichtungsmuster aufweisen. Die Seiten 1 bis 50 folgen möglicherweise dem Wechselmuster, die Seiten 51 bis 80 sind möglicherweise alle korrekt ausgerichtet, da sie mit der richtigen Drehung erneut gescannt wurden, und die Seiten 81 bis 200 kehren möglicherweise zum Wechselmuster zurück. Die Erkennung und Korrektur muss abschnittsweise und nicht in einem einzigen Chargenvorgang erfolgen.
Bei unregelmäßigen Ausrichtungsmustern ist der manuelle Ansatz, durch Miniaturansichten zu scrollen und einzelne Seiten oder Seitenbereiche zu drehen, die zuverlässigste Methode. Beginnen Sie auf Seite eins und durchsuchen Sie die Miniaturansichten. Wenn Sie auf eine gedrehte Seite stoßen, ermitteln Sie, wie viele aufeinanderfolgende Seiten diese Ausrichtung haben. Wählen Sie den Bereich aus und wenden Sie die Drehung an. Fahren Sie mit dem Dokument fort, bis jede Seite richtig ausgerichtet ist. Der Vorgang dauert ein bis zwei Sekunden pro Seite, sodass ein 200-seitiges Dokument etwa fünf Minuten benötigt. Die Zeit ist gut investiert, da die OCR-Genauigkeit auf korrekt ausgerichteten Seiten deutlich höher ist als auf gedrehten Seiten.
Automatisierung der Orientierungserkennung für große Projekte mit begrenztem Volumen
Bei Digitalisierungsprojekten mit Hunderten oder Tausenden von Seiten wird die manuelle Überprüfung der Seitenausrichtung unpraktisch. Automatisierte Ausrichtungserkennungstools können gedrehte Seiten identifizieren, indem sie die Textrichtung analysieren. Diese Tools tasten Textzeichen auf der Seite ab und bestimmen die vorherrschende Ausrichtung, indem sie erkennen, welche Drehung gültige Wörter in der erwarteten Sprache erzeugt. Eine Seite, bei der die Texterkennung bei 0 Grad erfolgreich ist, bei 90, 180 und 270 Grad jedoch fehlschlägt, ist korrekt ausgerichtet. Eine Seite, bei der die Erkennung bei 180 Grad erfolgreich ist, bei 0 jedoch fehlschlägt, steht auf dem Kopf und muss gedreht werden. Die automatisierte Erkennung verarbeitet große Dokumentensätze schnell und eine manuelle Stichprobenprüfung der Ergebnisse bestätigt, dass die Automatisierung korrekt funktioniert, bevor die OCR beginnt.
Überprüfen der OCR-Ausgabe über wechselnde Ausrichtungen hinweg
Überprüfen Sie nach der Korrektur der Seitenausrichtung und der Ausführung von OCR, ob die Erkennungsqualität im gesamten Dokument konsistent ist. Suchen Sie nach Text, der sowohl auf ursprünglich korrekten als auch auf ursprünglich gedrehten Seiten erscheint. Die Suche sollte Instanzen auf beiden Seitentypen mit gleicher Zuverlässigkeit finden. Wenn Text auf ursprünglich gedrehten Seiten nicht gefunden wird, wurde die Drehungskorrektur möglicherweise nicht korrekt angewendet oder die OCR-Engine hat möglicherweise einige Seiten verarbeitet, bevor die Drehung gespeichert wurde. Öffnen Sie das Dokument erneut, vergewissern Sie sich, dass alle Seitenausrichtungen im Miniaturbildfenster korrekt sind, und führen Sie bei Bedarf die OCR erneut aus.
Bei gebundenen Bänden, bei denen die ursprüngliche Scanqualität von Seite zu Seite variiert, wie z. B. bei einem Buch, bei dem einige Seiten flach gegen das Scannerglas gedrückt wurden und andere in der Nähe des Buchrückens eine Krümmung aufweisen, variiert die OCR-Genauigkeit entsprechend. Die Ausrichtungskorrektur löst das Rotationsproblem, kompensiert jedoch nicht andere Probleme mit der Scanqualität. Seiten mit erheblicher Krümmung müssen möglicherweise erneut gescannt oder mit einem Entzerrungsfilter vorverarbeitet werden, bevor OCR eine akzeptable Genauigkeit erreichen kann. Die Pipeline Gescanntes PDF zu durchsuchbarem Text funktioniert am besten, wenn die Quellbilder so sauber und einheitlich wie möglich ausgerichtet sind. Die Orientierungskorrektur ist der erste und wirkungsvollste Schritt. Entzerrung, Kontrastanpassung und Entfleckung sind die Folgeschritte, die die Erkennungsgenauigkeit bei anspruchsvollen Scans mit gebundenem Volumen weiter verbessern.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.