新聞や雑誌では、ページ全体に蛇行する複数の段組にテキストが配置されます。ストーリーは左上から始まり、最初の列を下に進み、2 番目の列の一番上にジャンプして、さらに下に進み、再び 7 ページにジャンプする場合があります。単一列のドキュメントでトレーニングされた OCR エンジンは、このレイアウトに苦労します。エンジンはページ全体を読み取り、列 1 と列 2 からテキストを 1 行であるかのように取得します。出力は、さまざまな列の文が入り混じったごちゃ混ぜの状態になります。
複数列レイアウトの OCR では、エンジンがテキストを認識する前に列境界を検出する必要があります。ページはゾーンに分割されています。各ゾーンは独立して処理されます。各ゾーンのテキストは正しい読み順で組み立てられます。各列が個別のテキスト領域として扱われたため、結果は正しく読み取られます。
複数列レイアウトでの OCR PDF の課題は、文字認識ではありません。ゾーン検出です。文字を認識するのは簡単です。どのキャラクターが同じグループに属するかを知るのは難しい部分です。
ゾーン検出方法
| メソッド | 仕組み | 最適な用途 |
|---|---|---|
| 自動ゾーン検出 | OCR エンジンは空白パターンを分析して列の余白とテキスト ブロックを識別します | 一貫した列幅と明確な余白によるすっきりとしたレイアウト |
| 手動ゾーン描画 | ユーザーは OCR 処理の前に各列の周囲に四角形を描画します。 | 不規則なコラム、画像、広告を含む複雑なレイアウト |
| 読み出し順序指定 | ユーザーは、検出後にゾーンを読み取る順序を指定します | 自然な列の流れが上から下、左から右ではない文書 |
複数列OCRの実行
ゾーンベースの処理をサポートする OCR ツールに PDF をアップロードします。ツールが自動ゾーン検出を提供する場合は、ツールを実行して、検出されたゾーンを確認します。誤って認識されたゾーンを手動で調整します。読み込む順番を指定します。 OCRを実行します。出力では列構造が保持されます。
WukongPDF OCR ツールはスキャンされた文書を処理します。 スキャン PDF の複数列処理では、正しい読み取り順序でテキストが生成されます。
読み取り順序の確認
OCR 後、オリジナルの列境界にまたがるサンプル段落を読み取ります。 OCR 出力は、ある列の一番下から次の列の一番上まで正しく流れる必要があります。列の境界で文章が区切られている場合、または異なる列のテキストが混在している場合は、ゾーンの検出または読み取り順序が正しくありません。
PDF 形式の読み取り順序検証では、OCR 出力が元のレイアウトの意図した読み取り順序と一致していることを確認します。
単一列ページと複数列ページが混在する場合の処理
雑誌の記事は、1 段組の見出しで始まり、3 段組の本文に切り替わり、1 段組の要約で終わる場合があります。 OCR ゾーン検出は、これらの遷移を正しく処理する必要があります。各ページ セクションは、適切なゾーン構成を受け取ります。
OCR PDF 混合レイアウトの処理には、ページごとではなくセクションごとのゾーン検出が必要です。
ドキュメント全体に対して OCR を実行する前に、各ページ タイプのゾーン検出を確認してください。
スクリーン リーダーの読み上げ順序の保持
OCR 出力の読み取り順序によって、スクリーン リーダーがドキュメント内を移動する方法が決まります。正しい読み上げ順序とは、スクリーン リーダーが 1 列目を上から下に読み、次に 2 列目を上から下に読み上げることを意味します。読み取り順序が間違っていると、複数の列にわたって読み取りが行われ、理解できない出力が生成されます。
アクセシビリティのための Scanned PDF 読み取り順序仕様により、OCR 出力が支援技術で使用できることが保証されます。
OCR 後、スクリーン リーダーでドキュメントをテストします。このテストでは、目視検査では見逃される読み取り順序のエラーが明らかになります。
列に画像が埋め込まれたドキュメントの OCR
列内の画像はテキストの流れを壊します。 OCR エンジンは画像の境界を認識し、上下のテキストを別個のテキスト ブロックとしてではなく、同じ列の一部として扱う必要があります。
複数列 OCR 中に PDF 形式の画像とテキストを分離するには、エンジンが画像がテキストではなく、列の流れを中断すべきではないことを認識する必要があります。
画像が埋め込まれているページを手動で確認します。自動ゾーン検出は画像の境界で失敗する場合があります。
定期出版フォーマット用のゾーン テンプレートの作成
同じ出版形式を定期的に OCR する場合は、ゾーン テンプレートを作成します。テンプレートは、特定のレイアウトの列位置、画像領域、および読み取り順序を定義します。新しい問題ごとにテンプレートを適用します。
定期発行用の OCR PDF ゾーン テンプレートを使用すると、ドキュメントごとにゾーン検出を再構成する必要がなくなります。
文書のレイアウトが変更された場合は、テンプレートを更新します。昨年の形式では正しいテンプレートが、今年では間違っている可能性があります。
列幅の変動への対処
一部のレイアウトでは、ページごとに列幅が異なります。 3 段組のページの後に 2 段組のページが続きます。ゾーン検出は各ページに個別に適応する必要があります。
OCR PDF ページごとのゾーン検出は、列構成が変更されるレイアウトを処理します。
OCR 出力を使用して元の記事の境界を再構築する
OCR 後、認識されたテキストを使用して記事の境界を特定します。見出し、署名欄、継続マーカーは、記事の開始位置と終了位置を示します。
OCR 出力からの Scanned PDF 記事境界検出により、ドキュメントを個々の記事に分割できます。