La precisión del OCR disminuye significativamente en documentos con fondos de color. Un formulario impreso en papel azul claro. Un certificado de caldo de crema. Un cartel con texto rojo sobre fondo amarillo. Un folleto con texto superpuesto a fotografías. El motor de OCR espera texto negro sobre fondo blanco. Cuando el fondo tiene color, el contraste entre el texto y el fondo disminuye. Los bordes de los personajes se desdibujan en el fondo. La precisión del reconocimiento disminuye. Comprender por qué los fondos coloreados degradan la precisión del OCR le ayudará a aplicar las correcciones adecuadas antes del procesamiento.
El color del fondo afecta el OCR mediante la reducción del contraste, la confusión del canal de color y los errores de detección de umbral. Cada mecanismo reduce la precisión de una manera diferente. Las correcciones abordan cada mecanismo específicamente.
La precisión del OCR PDF en fondos coloreados se puede mejorar mediante el preprocesamiento de imágenes que normaliza el fondo antes del reconocimiento.
Cómo los fondos de colores afectan el OCR
Los motores de OCR convierten imágenes en color a blanco y negro mediante un proceso llamado umbral. Cada píxel se clasifica como texto, que se vuelve negro, o fondo, que se vuelve blanco. En un fondo de color, los píxeles que forman parte del fondo pueden tener valores de oscuridad similares a los píxeles de texto, especialmente si el fondo es de un color oscuro o si el texto es de un color claro. El algoritmo de umbral comete errores al clasificar los píxeles de fondo como texto o los píxeles de texto como fondo.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.
Preprocesamiento para mejorar la precisión
Primero convierta la imagen a escala de grises. Luego aplique el umbral adaptativo, que utiliza diferentes valores de umbral para diferentes regiones de la imagen en lugar de un umbral global. El método adaptativo maneja mejor los diferentes colores de fondo que el umbral global.
WukongPDF OCR procesa documentos escaneados. El preprocesamiento PDF escaneado para fondos de color debe aplicarse antes de que el motor OCR reciba las imágenes.
Cuándo aceptar una menor precisión
Para algunos documentos con fondos en color, no es posible lograr un OCR perfecto. Acepte una precisión del 90 al 95 por ciento y planifique la corrección manual. El tiempo dedicado a intentar lograr una precisión del 99 por ciento en un documento difícil puede exceder el tiempo necesario para corregir manualmente el resultado del 95 por ciento.
El papel de la relación de contraste en la precisión del OCR
La precisión del OCR se correlaciona directamente con la relación de contraste entre el texto y el fondo. El texto negro sobre blanco tiene el máximo contraste. El texto azul sobre azul claro tiene poco contraste. El motor OCR necesita una relación de contraste mínima para distinguir de forma fiable los bordes de los caracteres.
El requisito de contraste de PDF OCR explica por qué los fondos coloreados reducen la precisión. La solución es aumentar el contraste mediante el preprocesamiento.
Uso de la separación de canales de color para obtener mejores resultados
Si el texto y el fondo difieren principalmente en un canal de color, separe ese canal para OCR. El texto rojo sobre un fondo verde puede ser casi invisible en escala de grises, pero está claramente separado en el canal rojo.
La técnica de separación de canales de color PDF escaneado mejora el OCR en documentos donde el texto y los colores de fondo difieren.
Cuando volver a escanear es la mejor solución
Si el documento original en papel está disponible, volver a escanear en escala de grises o en blanco y negro con alto contraste produce resultados de OCR mucho mejores que intentar corregir un escaneo en color deficiente.
La opción de reescaneado de calidad de PDF es la solución más eficaz para los problemas de OCR con fondos de color cuando se puede acceder al original.
La física de la luz, el color y el reconocimiento de caracteres
OCR funciona detectando bordes donde se encuentran los píxeles claros y oscuros. Sobre un fondo de color, el contraste de los bordes se reduce. El motor de OCR debe distinguir entre el borde del carácter y la transición de color de fondo. Un contraste más bajo significa más errores de detección de bordes.
La física del contraste de OCR PDF explica por qué el preprocesamiento que maximiza el contraste mejora la precisión. La conversión en escala de grises y el umbral adaptativo son técnicas de mejora del contraste.
Para obtener los mejores resultados de OCR en documentos en color, escanee en escala de grises con alto contraste en lugar de en color. El escáner puede capturar más contraste del que puede ver el ojo humano.
Cómo las diferentes combinaciones de colores afectan la precisión de manera diferente
El texto oscuro sobre fondos de colores claros funciona mejor que el texto claro sobre fondos oscuros. Negro sobre azul claro puede OCR con una precisión del 95%. Amarillo sobre blanco puede tener un OCR del 50 % o menos. La combinación de colores específica determina la pérdida de precisión.
El análisis de combinación de colores PDF escaneado ayuda a predecir qué documentos necesitarán mayor preprocesamiento y corrección manual.
Pruebe el OCR en una muestra de cada combinación de colores de su conjunto de documentos. Utilice los resultados para priorizar el esfuerzo de preprocesamiento en las combinaciones con la precisión más baja.
Uso de motores OCR de aprendizaje automático para documentos en color
Los motores de OCR de redes neuronales entrenados en diversos tipos de documentos manejan fondos de colores mejor que los motores tradicionales de coincidencia de patrones. La red neuronal ha aprendido a reconocer caracteres en condiciones de bajo contraste y colores variados.
La elección del motor OCR PDF afecta significativamente la precisión de los documentos en color. Si el OCR tradicional produce malos resultados, pruebe con un motor neuronal.
El tiempo de procesamiento del OCR neuronal suele ser más largo que el del OCR tradicional. La mejora de la precisión en los documentos en color justifica el tiempo adicional.
Creación de un flujo de trabajo de preprocesamiento para conjuntos de documentos de colores mixtos
Un conjunto de documentos puede contener páginas con fondos blancos, fondos de colores y fondos de imágenes. Procese cada tipo de página con la configuración óptima para ese tipo. Una única configuración de preprocesamiento aplicada a todas las páginas será incorrecta para algunas.
El flujo de trabajo de preprocesamiento de colores mixtos de calidad PDF utiliza un análisis página por página o sección por sección para aplicar la configuración correcta a cada tipo de contenido.
Documente la configuración de preprocesamiento para cada tipo de página. La documentación permite el procesamiento coherente de futuros conjuntos de documentos con características similares.
Cuándo aceptar una precisión y un presupuesto más bajos para la corrección manual
Para algunos documentos, el esfuerzo por lograr una alta precisión del OCR supera el esfuerzo por corregir manualmente los resultados de menor precisión. Un documento de 500 páginas con OCR con una precisión del 85 % puede tardar 10 horas en corregirse manualmente, pero 20 horas de experimentación de preprocesamiento para alcanzar el 95 %.
El análisis de costo-beneficio de PDF Tools para la precisión del OCR considera tanto el tiempo de procesamiento automatizado como el tiempo de corrección manual. Elija el camino que minimice el tiempo total.
Uso del análisis de histograma para diagnosticar problemas de contraste
Un histograma de imagen muestra la distribución de los valores de brillo de los píxeles. Un histograma con dos picos distintos indica un buen contraste entre el texto y el fondo. Un histograma con un único pico amplio indica un contraste bajo.
El análisis de histograma OCR PDF cuantifica el problema de contraste antes de que comience el preprocesamiento.
El efecto de la textura del papel en la precisión del OCR
El papel texturizado, como el lino o el papel verjurado, crea un ruido de fondo que los motores de OCR interpretan como texto. La textura añade bordes falsos que confunden el reconocimiento de caracteres. El suavizado de imágenes reduce el ruido de la textura pero también puede suavizar los bordes de los caracteres.
El desafío de la textura del papel PDF escaneado es más común con documentos históricos escaneados a partir de papel original que con reproducciones impresas.
Cuándo utilizar la transcripción manual en lugar de OCR
Para documentos con graves problemas de color y contraste, la transcripción manual puede ser más rentable que el preprocesamiento y la corrección extensos. Un transcriptor humano puede leer texto que ningún motor de OCR puede reconocer.
El punto de decisión de transcripción manual Calidad de PDF se alcanza cuando el tiempo de corrección por página para la salida OCR excede el tiempo de transcripción por página.
El impacto de la calibración del escáner en la precisión del color
Un escáner no calibrado introduce cambios de color que reducen la precisión del OCR. Calibre el escáner antes de escanear documentos en color. Utilice un objetivo de color para verificar la calibración.
El paso de calibración del escáner OCR PDF garantiza que la imagen digital represente con precisión los colores del documento original.
Uso de imágenes multiespectrales para documentos difíciles
Las imágenes multiespectrales capturan documentos en múltiples longitudes de onda de luz. Diferentes longitudes de onda revelan texto que es invisible con luz blanca estándar. Para documentos en color muy degradados, las imágenes multiespectrales pueden ser el único método de captura viable.
El enfoque multiespectral PDF escaneado es utilizado por los principales archivos para documentos que resisten la digitalización estándar.
Creación de una colección de referencia de tipos de documentos problemáticos
Mantenga una colección de documentos de muestra que representen desafíos comunes de OCR. Pruebe nuevas técnicas de preprocesamiento con esta colección de referencia antes de aplicarlas a los documentos de producción.
La colección de referencias PDF Quality proporciona un punto de referencia consistente para mejorar la precisión del OCR a lo largo del tiempo.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.