La précision de l'OCR diminue considérablement sur les documents avec des arrière-plans colorés. Un formulaire imprimé sur du papier bleu clair. Un certificat sur le bouillon de crème. Un panneau avec un texte rouge sur fond jaune. Une brochure avec du texte superposé sur des photographies. Le moteur OCR attend du texte noir sur fond blanc. Lorsque l'arrière-plan est coloré, le contraste entre le texte et l'arrière-plan diminue. Les bords des personnages se fondent dans l'arrière-plan. La précision de la reconnaissance diminue. Comprendre pourquoi les arrière-plans colorés dégradent la précision de l'OCR vous aide à appliquer les bonnes corrections avant le traitement.
La couleur de l'arrière-plan affecte l'OCR en raison de la réduction du contraste, de la confusion des canaux de couleur et des erreurs de détection de seuil. Chaque mécanisme réduit la précision de manière différente. Les correctifs concernent chaque mécanisme spécifiquement.
La précision des PDF OCR sur les arrière-plans colorés peut être améliorée grâce à un prétraitement de l'image qui normalise l'arrière-plan avant la reconnaissance.
Comment les arrière-plans colorés affectent l'OCR
Les moteurs OCR convertissent les images couleur en noir et blanc grâce à un processus appelé seuillage. Chaque pixel est classé soit en texte, qui devient noir, soit en arrière-plan, qui devient blanc. Sur un arrière-plan coloré, les pixels qui font partie de l'arrière-plan peuvent avoir des valeurs d'obscurité similaires aux pixels du texte, en particulier si l'arrière-plan est de couleur sombre ou si le texte est de couleur claire. L'algorithme de seuillage commet des erreurs, classifiant les pixels d'arrière-plan comme texte ou les pixels de texte comme arrière-plan.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Prétraitement pour améliorer la précision
Convertissez d'abord l'image en niveaux de gris. Appliquez ensuite un seuil adaptatif, qui utilise différentes valeurs de seuil pour différentes régions de l'image plutôt qu'un seuil global. La méthode adaptative gère mieux les différentes couleurs d’arrière-plan que le seuillage global.
WukongPDF OCR traite les documents numérisés. Le prétraitement Scanned PDF pour les arrière-plans colorés doit être appliqué avant que le moteur OCR ne reçoive les images.
Quand accepter une précision inférieure
Pour certains documents à fond coloré, une OCR parfaite n’est pas réalisable. Acceptez une précision de 90 à 95 % et prévoyez une correction manuelle. Le temps passé à essayer d'obtenir une précision de 99 pour cent sur un document difficile peut dépasser le temps requis pour corriger manuellement le résultat de 95 pour cent.
Le rôle du rapport de contraste dans la précision de l'OCR
La précision de l'OCR est directement corrélée au rapport de contraste entre le texte et l'arrière-plan. Le texte noir sur blanc présente un contraste maximal. Le texte bleu sur bleu clair a un faible contraste. Le moteur OCR a besoin d'un rapport de contraste minimum pour distinguer de manière fiable les contours des caractères.
L'exigence de contraste OCR PDF explique pourquoi les arrière-plans colorés réduisent la précision. Le correctif consiste à augmenter le contraste grâce au prétraitement.
Utiliser la séparation des canaux de couleur pour de meilleurs résultats
Si le texte et l'arrière-plan diffèrent principalement dans un canal de couleur, séparez ce canal pour l'OCR. Le texte rouge sur fond vert peut être presque invisible en niveaux de gris mais clairement séparé dans le canal rouge.
La technique de séparation des canaux de couleur Scanned PDF améliore l'OCR sur les documents où les couleurs du texte et de l'arrière-plan diffèrent.
Quand la nouvelle numérisation est la meilleure solution
Si le document papier original est disponible, une nouvelle numérisation en niveaux de gris ou en noir et blanc avec un contraste élevé produit de bien meilleurs résultats OCR que la tentative de correction d'une mauvaise numérisation couleur.
L'option de nouvelle numérisation de qualité PDF est la solution la plus efficace aux problèmes d'OCR d'arrière-plan coloré lorsque l'original est accessible.
La physique de la lumière, des couleurs et de la reconnaissance des personnages
L'OCR fonctionne en détectant les bords où les pixels clairs et sombres se rencontrent. Sur un fond coloré, le contraste des bords est réduit. Le moteur OCR doit faire la distinction entre le bord du caractère et la transition de couleur d'arrière-plan. Un contraste plus faible signifie plus d’erreurs de détection de contour.
La physique du contraste des PDF OCR explique pourquoi le prétraitement qui maximise le contraste améliore la précision. La conversion des niveaux de gris et le seuillage adaptatif sont des techniques d'amélioration du contraste.
Pour obtenir les meilleurs résultats OCR sur les documents en couleur, numérisez en niveaux de gris avec un contraste élevé plutôt qu'en couleur. Le scanner peut capturer plus de contraste que ce que l’œil humain peut voir.
Comment différentes combinaisons de couleurs affectent différemment la précision
Le texte sombre sur des arrière-plans de couleur claire fonctionne mieux que le texte clair sur des arrière-plans sombres. Le noir sur le bleu clair peut être OCR avec une précision de 95 %. Le jaune sur blanc peut être OCR à 50 % ou moins. La combinaison de couleurs spécifique détermine la perte de précision.
L'analyse des combinaisons de couleurs Scanned PDF permet de prédire quels documents nécessiteront le plus de prétraitement et de correction manuelle.
Testez l'OCR sur un échantillon de chaque combinaison de couleurs de votre ensemble de documents. Utilisez les résultats pour prioriser les efforts de prétraitement sur les combinaisons avec la précision la plus faible.
Utilisation des moteurs OCR d'apprentissage automatique pour les documents en couleur
Les moteurs OCR de réseau neuronal formés sur divers types de documents gèrent mieux les arrière-plans colorés que les moteurs de correspondance de motifs traditionnels. Le réseau neuronal a appris à reconnaître les caractères dans des conditions de faible contraste et de couleurs variées.
Le choix du moteur OCR PDF affecte considérablement la précision des documents couleur. Si l'OCR traditionnelle produit de mauvais résultats, essayez un moteur neuronal.
Le temps de traitement de l’OCR neuronale est généralement plus long que celui de l’OCR traditionnelle. L'amélioration de la précision sur les documents couleur justifie le temps supplémentaire.
Création d'un flux de travail de prétraitement pour les jeux de documents de couleurs mélangées
Un ensemble de documents peut contenir des pages avec un arrière-plan blanc, un arrière-plan coloré et un arrière-plan d'image. Traitez chaque type de page avec les paramètres optimaux pour ce type. Un seul paramètre de prétraitement appliqué à toutes les pages sera erroné pour certaines.
Le flux de travail de prétraitement des couleurs mixtes de qualité PDF utilise une analyse page par page ou section par section pour appliquer les paramètres appropriés à chaque type de contenu.
Documentez les paramètres de prétraitement pour chaque type de page. La documentation permet un traitement cohérent des futurs ensembles de documents présentant des caractéristiques similaires.
Quand accepter une précision et un budget inférieurs pour une correction manuelle
Pour certains documents, les efforts déployés pour obtenir une précision OCR élevée dépassent les efforts nécessaires pour corriger manuellement les résultats de moindre précision. Un document de 500 pages dont l'OCR avec une précision de 85 % peut prendre 10 heures pour être corrigé manuellement, mais 20 heures d'expérimentation de prétraitement pour atteindre 95 %.
L'analyse coûts-avantages des outils PDF pour la précision de l'OCR prend en compte à la fois le temps de traitement automatisé et le temps de correction manuelle. Choisissez le chemin qui minimise le temps total.
Utilisation de l'analyse d'histogramme pour diagnostiquer les problèmes de contraste
Un histogramme d'image montre la distribution des valeurs de luminosité des pixels. Un histogramme avec deux pics distincts indique un bon contraste entre le texte et l'arrière-plan. Un histogramme avec un seul pic large indique un faible contraste.
L'analyse de l'histogramme OCR PDF quantifie le problème de contraste avant le début du prétraitement.
L'effet de la texture du papier sur la précision de l'OCR
Le papier texturé, comme le lin ou le papier vergé, crée un bruit de fond que les moteurs OCR interprètent comme du texte. La texture ajoute de faux bords qui perturbent la reconnaissance des caractères. Le lissage de l'image réduit le bruit de texture mais peut également adoucir les contours des caractères.
Le problème de texture du papier Scanned PDF est plus courant avec les documents historiques numérisés à partir du papier original plutôt qu'avec des reproductions imprimées.
Quand utiliser la transcription manuelle au lieu de l'OCR
Pour les documents présentant de graves problèmes de couleur et de contraste, la transcription manuelle peut s’avérer plus rentable qu’un prétraitement et une correction approfondis. Un transcripteur humain peut lire un texte qu'aucun moteur OCR ne peut reconnaître.
Le point de décision de transcription manuelle Qualité PDF est atteint lorsque le temps de correction par page pour la sortie OCR dépasse le temps de transcription par page.
L'impact de l'étalonnage du scanner sur la précision des couleurs
Un scanner non calibré introduit des changements de couleur qui réduisent la précision de l'OCR. Calibrez le scanner avant de numériser des documents couleur. Utilisez une cible de couleur pour vérifier l'étalonnage.
L'étape d'étalonnage du scanner OCR PDF garantit que l'image numérique représente avec précision les couleurs du document original.
Utilisation de l'imagerie multispectrale pour les documents difficiles
L’imagerie multispectrale capture des documents à plusieurs longueurs d’onde de lumière. Différentes longueurs d'onde révèlent un texte invisible sous la lumière blanche standard. Pour les documents couleur très dégradés, l’imagerie multispectrale peut être la seule méthode de capture viable.
L’approche multispectrale Scanned PDF est utilisée par les grandes archives pour les documents qui résistent à la numérisation standard.
Construire une collection de référence de types de documents problématiques
Conservez une collection d’exemples de documents qui représentent des défis OCR courants. Testez de nouvelles techniques de prétraitement par rapport à cette collection de référence avant de les appliquer aux documents de production.
La collection de référence PDF Quality fournit une référence cohérente pour l'amélioration de la précision de l'OCR au fil du temps.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.