低品質のスキャンとは、悪い光の下で撮影された文書の写真、印刷と再スキャンを 3 回繰り返した FAX、古い本のしわの寄ったページ、または携帯電話のカメラで斜めから撮影された文書の写真です。テキストはそこにあります。人間の読者はそれを理解することができます。しかし、OCR エンジンにとって、画像は壊れた文字、結合された文字、および認識の信頼性を低くする背景ノイズのパズルです。クリーンな 300 DPI スキャンでは完全に機能する標準の OCR 設定では、これらの画像では文字化けした出力が生成されます。
低品質のスキャンでの OCR には、認識前にスキャンをクリーンアップするための画像前処理と、文字の変動をより許容できるように調整された OCR 設定が必要です。前処理ステップで改善が生まれます。より良いインプットはより良いアウトプットを生み出します。 OCR エンジンは、目に見えないものを認識できません。
ネバダ大学による 2025 年のベンチマークによると、画像の前処理により、未処理の生の画像に対して OCR を実行した場合と比較して、低品質のスキャンでの OCR 精度が平均 18 ～ 34 パーセント向上します (ネバダ大学、「OCR Accuracy Benchmark Report」、2025 年)。
一般的なスキャン品質の問題とその修正
| 問題 | OCR への影響 | 修正 |
|---|---|---|
| 低解像度 (<150 DPI) | 文字には十分なピクセルの詳細がありません。エッジがぼやけます。細いストロークが消えます。似た文字が区別できなくなる | 可能であれば 300 DPI で再スキャンしてください。オリジナルが利用できない場合は、OCR の前に AI を活用したアップスケーリングを使用して画像をアップスケールします |
| 不均一な照明や影 | 暗い部分はコントラストが失われます。影内のテキストは OCR エンジンには見えなくなります。グラデーションの背景により閾値検出が混乱する | 明るさをグローバルではなくローカルに調整する適応型しきい値処理を適用します。画像編集ソフトを使って影を消す |
| 傾きまたは回転 | 傾いたテキストは文字のセグメンテーションを妨げます。 OCR 線の検出に失敗します。隣接する行の文字が結合される | OCR の前に画像の傾きを補正します。ほとんどのブラウザベースの OCR ツールには自動デスキュー機能が含まれています。処理前に位置合わせを確認する |
| 背景ノイズまたは裏写り | ページの裏側の文字が透けて見えます。 OCR は裏抜けをテキストの一部として解釈し、意味不明な内容を生成します | コントラストを上げるとテキストが暗くなり、背景が明るくなります。背景除去フィルターを適用します。スキャナ設定を使用してスキャン時の裏写りを抑制する |
OCR前の画像前処理
スキャン画像を OCR に送信する前に前処理します。傾きを補正してテキストをまっすぐにします。適応型しきい値処理を適用して画像を純粋な白黒に変換します。これにより、背景ノイズが除去され、コントラストが最大化されます。画像の解像度を上げるか、シャープ化フィルタを適用して文字のエッジを強調します。 OCR エンジンを混乱させる可能性のある境界線、パンチ穴、その他のテキスト以外の要素を削除します。各前処理ステップによって入力品質が向上し、入力品質の向上によって OCR 出力の精度が直接向上します。
WukongPDF OCR ツールはスキャンを処理し、検索可能なテキスト レイヤーを追加します。 OCR PDF 前処理ステップは、OCR エンジンが画像を受け取る前に適用する必要があります。クリーンな入力はクリーンな出力を生成します。
現実的な精度の期待値を設定する
最適な前処理を行ったとしても、品質の低いスキャンでは、きれいなスキャンほど正確に OCR されません。 OCR エラーの修正には時間がかかることが予想されます。誤りによって意味が変わってしまう固有名詞、数字、専門用語を重点的に修正します。明らかな OCR エラーが発生する一般的な単語 (「thc」など) 「the,」の代わりに検索と置換を使用すると、一括で簡単に修正できます。 スキャンされた PDF は、低品質の画像として開始され、編集が必要な OCR 出力が生成されます。これを受け入れて、そのための時間を確保してください。
OCR が利用できないことをどのような場合に受け入れるか
スキャンによっては、OCR で使用できる結果が得られないほど貧弱なものもあります。ほぼ暗闇の中で撮った写真。 FAX は 4 回コピーされました。コントラストの低いインクを使用して色紙に印刷された文書。これらのスキャンからの OCR 出力には非常に多くのエラーが含まれるため、それらを修正するには文書を手動で転記するよりも時間がかかります。
大量の低品質スキャンを処理する前に、代表的な 1 ページをテストしてください。完全な前処理と OCR パイプラインを通じて実行します。出力に大規模な修正が必要な場合は、OCR と修正を併用するよりも手動での転写の方が効率的である可能性があります。効率的にOCRedできないScanned PDFを転記する必要があります。
低品質の入力に対する適切な OCR エンジンの選択
すべての OCR エンジンが低品質のスキャンを同様にうまく処理できるわけではありません。ニューラル ネットワーク ベースの認識を使用するエンジンは、AI を利用した OCR またはディープ ラーニング OCR と呼ばれることが多く、通常、従来のパターン マッチング エンジンよりも劣化したテキストに対して優れたパフォーマンスを発揮します。このニューラル ネットワークは、破損した、歪んだ、低品質のテキストの例に基づいてトレーニングされており、従来のエンジンでは認識できない文字を認識できます。
低品質のスキャンを定期的に処理する場合は、一般的なドキュメントのサンプルで複数の OCR エンジンをテストしてください。出力精度と補正にかかる時間を比較してください。クリーンなスキャンで 95% の精度を生み出すエンジンは、スキャンが不十分な場合は 80% に低下する可能性がありますが、ニューラル エンジンは 90% を維持する可能性があります。低品質の入力に対する OCR PDF エンジンの選択は、マーケティング上の主張ではなく、実際のドキュメントでテストされたパフォーマンスに基づいて選択する必要があります。
繰り返し発生するドキュメントタイプのカスタム OCR モデルのトレーニング
特定のベンダーから送信されたフォームや特定のクライアントからスキャンされた請求書など、同じ種類の低品質ドキュメントを繰り返し OCR する場合は、カスタム OCR モデルのトレーニングを検討してください。一部の OCR プラットフォームでは、特定のドキュメント タイプの例をアップロードし、その特定のフォント、レイアウト、品質特性を認識するようにエンジンをトレーニングできます。トレーニングされたモデルは、特定のドキュメント タイプにおいて汎用エンジンよりも大幅に優れたパフォーマンスを発揮します。
トレーニングへの投資は、後続のドキュメントが処理されるたびに回収されます。トレーニングに 1 時間かかり、精度が 85 パーセントから 95 パーセントに向上するカスタム モデルは、その後処理されるすべてのドキュメントの修正時間を数分節約します。定期的に繰り返される Scanned PDF は、カスタム OCR モデル トレーニングの最適な候補です。