Les journaux et les magazines organisent le texte dans plusieurs colonnes qui serpentent sur la page. Une histoire commence en haut à gauche, continue dans la première colonne, passe en haut de la deuxième colonne, continue vers le bas et peut revenir à la page sept. Les moteurs OCR formés sur des documents à une seule colonne ont du mal avec cette disposition. Le moteur lit la page, récupérant le texte de la première et de la deuxième colonne comme s'il s'agissait d'une seule ligne. Le résultat est un désordre confus où les phrases de différentes colonnes sont entrelacées.
L'OCR pour les mises en page à plusieurs colonnes nécessite que le moteur détecte les limites des colonnes avant de reconnaître le texte. La page est divisée en zones. Chaque zone est traitée indépendamment. Le texte de chaque zone est assemblé dans le bon ordre de lecture. Le résultat se lit correctement car chaque colonne a été traitée comme une région de texte distincte.
Le défi OCR PDF avec les mises en page multicolonnes n'est pas la reconnaissance de caractères. C'est une détection de zone. Reconnaître les personnages est la partie la plus facile. Savoir quels personnages vont ensemble est la partie la plus difficile.
Méthodes de détection de zones
| Méthode | Comment ça marche | Meilleur pour |
|---|---|---|
| Détection automatique des zones | Le moteur OCR analyse les modèles d'espaces blancs pour identifier les gouttières de colonnes et les blocs de texte | Des mises en page épurées avec des largeurs de colonnes cohérentes et des gouttières claires |
| Dessin de zone manuel | L'utilisateur dessine des rectangles autour de chaque colonne avant le traitement OCR | Mises en page complexes avec des colonnes, des images ou des publicités irrégulières |
| Spécification de l'ordre de lecture | L'utilisateur spécifie l'ordre dans lequel les zones doivent être lues après détection | Documents dans lesquels le flux naturel des colonnes n'est pas de haut en bas, de gauche à droite |
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Exécution de l'OCR multicolonne
Téléchargez le PDF vers un outil OCR prenant en charge le traitement basé sur la zone. Si l'outil propose une détection automatique des zones, exécutez-le et examinez les zones détectées. Ajustez manuellement les zones mal identifiées. Spécifiez l'ordre de lecture. Exécutez l'OCR. La sortie préserve la structure des colonnes.
Les outils WukongPDF OCR traitent les documents numérisés. Le traitement multicolonne Scanned PDF produit le texte dans le bon ordre de lecture.
Vérification de l'ordre de lecture
Après l'OCR, lisez un exemple de paragraphe qui s'étend sur les limites des colonnes dans l'original. La sortie OCR doit s'écouler correctement du bas d'une colonne vers le haut de la suivante. Si les phrases sont interrompues aux limites des colonnes ou si le texte de différentes colonnes est mélangé, la détection de zone ou l'ordre de lecture était incorrect.
La vérification de l'ordre de lecture du format PDF confirme que la sortie OCR correspond à la séquence de lecture prévue de la mise en page originale.
Gestion de pages mixtes à une et plusieurs colonnes
Un article de magazine peut commencer par un titre sur une seule colonne, passer à un corps de texte sur trois colonnes et se terminer par un résumé sur une seule colonne. La détection de zone OCR doit gérer correctement ces transitions. Chaque section de page reçoit la configuration de zone appropriée.
La gestion des mises en page mixtes OCR PDF nécessite une détection de zone par section, et non par page.
Vérifiez la détection des zones sur chaque type de page avant d'exécuter l'OCR sur l'ensemble du document.
Préserver l'ordre de lecture pour les lecteurs d'écran
L'ordre de lecture de la sortie OCR détermine la manière dont les lecteurs d'écran parcourent le document. Un ordre de lecture correct signifie qu'un lecteur d'écran lit la première colonne de haut en bas, puis la deuxième colonne de haut en bas. Un ordre de lecture incorrect signifie qu'il lit dans les colonnes, produisant une sortie incompréhensible.
La spécification de l'ordre de lecture Scanned PDF pour l'accessibilité garantit que la sortie OCR est utilisable par la technologie d'assistance.
Après l'OCR, testez le document avec un lecteur d'écran. Le test révèle des erreurs d’ordre de lecture qui manquent à l’inspection visuelle.
OCR pour les documents avec des images intégrées dans des colonnes
Les images dans les colonnes interrompent le flux du texte. Le moteur OCR doit reconnaître les limites de l'image et traiter le texte au-dessus et en dessous comme faisant partie de la même colonne, et non comme des blocs de texte séparés.
La séparation image-texte au format PDF lors de l'OCR multicolonne nécessite que le moteur reconnaisse que les images ne sont pas du texte et ne doivent pas interrompre le flux des colonnes.
Examinez manuellement les pages contenant des images intégrées. La détection automatisée des zones peut échouer aux limites de l'image.
Création d'un modèle de zone pour les formats de publication récurrents
Si vous effectuez régulièrement une OCR sur le même format de publication, créez un modèle de zone. Le modèle définit les positions des colonnes, les zones d'image et l'ordre de lecture pour cette mise en page spécifique. Appliquez le modèle à chaque nouveau numéro.
Le modèle de zone PDF OCR pour les publications récurrentes élimine le besoin de reconfigurer la détection de zone pour chaque document.
Mettez à jour le modèle lorsque la publication modifie sa mise en page. Un modèle qui était correct pour le format de l'année dernière peut être erroné pour cette année.
Gérer les variations de largeur de colonne
Certaines mises en page varient la largeur des colonnes d'une page à l'autre. Une page à trois colonnes suivie d'une page à deux colonnes. La détection de zone doit s'adapter à chaque page individuellement.
La détection de zone par page PDF OCR gère les mises en page où la configuration des colonnes change.
Utilisation de la sortie OCR pour reconstruire les limites originales des articles
Après l'OCR, utilisez le texte reconnu pour identifier les limites de l'article. Les titres, les signatures et les marqueurs de continuation indiquent où commencent et se terminent les articles.
La détection des limites des articles Scanned PDF à partir de la sortie OCR permet de diviser le document en articles individuels.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.