Ein unterzeichneter Vertrag wird als PDF gescannt. Die Signatur unten auf der Seite ist Teil des Seitenbildes, genau wie der gedruckte Text darüber. Wenn Sie OCR für dieses gescannte Dokument ausführen, verarbeitet die OCR-Engine die gesamte Seite. Es erkennt den gedruckten Text und fügt ihn der durchsuchbaren Textebene hinzu. Es trifft auch auf die handschriftliche Unterschrift. Die Engine weiß nicht, dass die Signatur kein Text ist. Es wird versucht, die Schleifen, Kurven und Striche als Zeichen zu erkennen. Das Ergebnis ist Kauderwelsch in der Textebene: zufällige Buchstaben, Symbole und Fragezeichen, die in das Dokument eingebettet sind, wo die Signatur erscheint.
OCR auf gescannten Dokumenten, die Unterschriften enthalten, erfordert die Behandlung von Unterschriften als Nicht-Textelemente. Die OCR-Engine sollte den Signaturbereich entweder vollständig ignorieren oder ihn als Bild erkennen und überspringen. In diesem Leitfaden erfahren Sie, wie Sie verhindern, dass Signaturen fälschlicherweise als Text gelesen werden, und wie Sie die OCR-Ausgabe bereinigen, wenn Signaturen bereits verarbeitet wurden.
Die Herausforderung bei Signaturen besteht darin, dass sie einen visuellen Platz auf der Seite einnehmen, den die OCR-Engine zu interpretieren versucht. Um dies zu verhindern, ist eine Vorverarbeitung oder selektive OCR erforderlich.
Methoden zum Umgang mit Signaturen während der OCR
| Methode | Wie es funktioniert | Am besten für |
|---|---|---|
| Selektive OCR mit Signaturausschluss | Definieren Sie OCR-Zonen, die den Signaturbereich ausschließen. Die Signatur wird nicht verarbeitet. Es werden nur die Textbereiche erkannt | Dokumente, bei denen die Position der Signatur vorhersehbar ist, normalerweise am Ende der letzten Seite |
| Bereinigung der Signatur nach der OCR | Führen Sie OCR auf der gesamten Seite aus. Suchen Sie nach der Verarbeitung nach dem durch die Signatur erzeugten Kauderwelschtext und löschen Sie ihn | Dokumente, die bereits mit OCR bearbeitet wurden oder bei denen der zonenbasierte Ausschluss nicht verfügbar ist |
| Bildvorverarbeitung zum Maskieren von Signaturen | Übermalen Sie den Signaturbereich vor der OCR digital mit Weiß. Die OCR-Engine erkennt eine Leerstelle und erzeugt keinen Text | Dokumente, bei denen der Ausschluss von Signaturen von entscheidender Bedeutung ist und bei denen die Bereinigung nach der Verarbeitung unzureichend ist |
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Bereinigen von Signatur-OCR-Artefakten
Wenn die OCR die Signatur bereits verarbeitet hat, durchsuchen Sie den erkannten Text nach dem Signaturbereich. Suchen Sie nach Ansammlungen zufälliger Zeichen, ungewöhnlichen Zeichenfolgen oder Text, der keine Wörter bildet. Löschen Sie diese Fragmente. Der Signaturbereich in der Textebene sollte leer sein. Die visuelle Signatur bleibt im Seitenbild erhalten. Die Textebene sollte nur den eigentlichen Dokumenttext enthalten.
WukongPDF OCR-Tools verarbeiten gescannte Dokumente. Das Gescannte PDF mit Signaturen sollte nach der OCR überprüft werden, um Signaturartefakte aus der Textebene zu entfernen.
Überprüfen der bereinigten OCR-Ausgabe
Durchsuchen Sie das Dokument nach der Bereinigung nach häufigen OCR-Artefakten aus Signaturen: zufällig aufeinanderfolgende Großbuchstaben, wiederholte Zeichen oder Zeichenfolgen mit Satzzeichen. Wenn bei der Suche welche gefunden werden, überprüfen und entfernen Sie sie. Die Textebene sollte nur den Dokumentinhalt enthalten. Der Signaturbereich Sign PDF sollte nichts zum durchsuchbaren Text beitragen.
Ein ordnungsgemäß OCR-bearbeitetes Dokument mit Signaturausschluss verfügt über eine saubere Textebene. Der gedruckte Inhalt ist durchsuchbar. Die Signatur ist sichtbar, wird aber nicht im Text dargestellt. Das ist das richtige Verhalten.
Verwenden der OCR-Zonenauswahl zum Ausschließen von Signaturen
Mit einigen OCR-Tools können Sie vor der Verarbeitung Rechtecke um Textbereiche zeichnen. Die OCR-Engine verarbeitet nur die Bereiche innerhalb der Rechtecke. Zeichnen Sie Rechtecke um den gesamten Textinhalt und lassen Sie den Signaturbereich deaktiviert. Die Signatur ist von der OCR vollständig ausgeschlossen.
Der zonenbasierte OCR PDF-Ansatz ist die zuverlässigste Methode zum Signaturausschluss. Der Signaturbereich wird niemals an die Erkennungsmaschine übermittelt.
OCR-Engines trainieren, um Signaturmuster zu erkennen
Fortgeschrittene OCR-Systeme können darauf trainiert werden, signaturähnliche Muster zu erkennen und diese automatisch zu überspringen. Die Schulung beinhaltet das Markieren von Beispielsignaturen in Musterdokumenten. Die Engine lernt die visuellen Eigenschaften von Signaturen und schließt ähnliche Muster aus zukünftigen OCR-Läufen aus.
Der maschinelle Lernansatz Gescanntes PDF zum Ausschließen von Signaturen verbessert sich mit der Zeit. Jedes verarbeitete Dokument liefert Trainingsdaten für das nächste.
Bildbearbeitung zur Vorreinigung von Signaturbereichen nutzen
Öffnen Sie vor der OCR die gescannte Seite in einem Bildbearbeitungsprogramm. Malen Sie mit einem Pinsel den Signaturbereich mit Weiß über. Speichern Sie das bereinigte Bild. Führen Sie OCR für das bereinigte Bild aus. Der Signaturbereich ist jetzt leer und erzeugt keine OCR-Artefakte. Diese Methode ist zuverlässiger als der zonenbasierte Ausschluss, da sie die Signaturpixel physisch entfernt.
Der Vorreinigungsansatz Gescanntes PDF garantiert den Ausschluss von Signaturen. Die Signatur wird aus dem Bild entfernt, bevor OCR sie erkennt. Für die OCR-Engine besteht kein Grund zur Fehlinterpretation.
Vergleich der OCR-Ausgabe mit und ohne Signaturausschluss
Führen Sie OCR zweimal auf derselben Seite aus: einmal mit Signaturausschluss und einmal ohne. Vergleichen Sie die Textausgabe. Die Version ohne Ausschluss weist verstümmelte Zeichen im Signaturbereich auf. Die Version mit Ausschluss ist sauber. Der Vergleich zeigt die Bedeutung der Signaturverarbeitung und identifiziert alle anderen Bereiche, in denen die OCR-Engine Probleme hatte.
Bei der Vergleichsmethode OCR PDF handelt es sich um eine Qualitätsdiagnostik. Es deckt nicht nur die Signaturartefakte auf, sondern auch andere Erkennungsprobleme, die andernfalls möglicherweise unbemerkt bleiben würden.
Automatisierung der Signaturerkennung für die Stapelverarbeitung
Bei großen Mengen signierter Dokumente ist der manuelle Ausschluss der Signatur pro Seite unpraktisch. Verwenden Sie Bildverarbeitungsskripte, die signaturähnliche Muster anhand der Pixeldichte, Strichstärke und Position auf der Seite erkennen und diese vor der OCR automatisch maskieren. Die Automatisierung übernimmt die sich wiederholende Arbeit der Identifizierung und Maskierung von Signaturen.
Der Ausschluss von PDF Forms-Stapelsignaturen durch Automatisierung eignet sich für die Dokumentenverarbeitung mit hohem Volumen, bei der manuelle Methoden nicht skalierbar sind.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.