署名された契約書はスキャンされて PDF に変換されます。ページの下部にある署名は、その上に印刷されたテキストと同様に、ページ画像の一部です。このスキャンされたドキュメントに対して OCR を実行すると、OCR エンジンはページ全体を処理します。印刷されたテキストを認識し、検索可能なテキスト レイヤーに追加します。手書きのサインにも出会います。エンジンは、署名がテキストではないことを認識しません。ループ、カーブ、ストロークを文字として認識しようとします。その結果、テキスト レイヤーは意味不明なものになります。つまり、署名が表示されるドキュメントにランダムな文字、記号、疑問符が埋め込まれます。
署名を含むスキャンされた文書の OCR では、署名を非テキスト要素として扱う必要があります。 OCR エンジンは署名領域を完全に無視するか、署名領域を画像として認識してスキップする必要があります。このガイドでは、署名がテキストとして誤って読み取られるのを防ぐ方法と、署名がすでに処理されている場合に OCR 出力をクリーンアップする方法について説明します。
OCR PDF の課題は、署名が OCR エンジンが解釈しようとするページ上の視覚スペースを占有することです。これを防ぐには、前処理または選択的 OCR が必要です。
OCR 中に署名を処理する方法
| メソッド | 仕組み | 最適な用途 |
|---|---|---|
| 署名を除外した選択的 OCR | 署名領域を除外する OCR ゾーンを定義します。署名は処理されません。テキスト領域のみが認識されます | 署名の場所が予測可能な文書 (通常は最終ページの下部) |
| OCR後の署名のクリーンアップ | ページ全体で OCR を実行します。処理後、署名によって生成された意味不明のテキストを検索して削除します。 | すでにOCRされているドキュメント、またはゾーンベースの除外が利用できないドキュメント |
| 署名をマスクするための画像前処理 | OCR の前に、デジタルで署名領域を白でペイントします。 OCR エンジンは空白を認識し、テキストを生成しません | 署名の除外が重要であり、後処理のクリーンアップが不十分なドキュメント |
署名 OCR アーティファクトのクリーンアップ
OCR がすでに署名を処理している場合は、認識されたテキストの署名領域を検索します。ランダムな文字のクラスター、珍しい文字シーケンス、または単語を形成しないテキストを探します。これらのフラグメントを削除します。テキストレイヤーの署名領域は空である必要があります。視覚的な署名はページ画像に残ります。テキスト レイヤーには、実際のドキュメント テキストのみを含める必要があります。
WukongPDF OCR ツールはスキャンされた文書を処理します。署名付きの スキャン PDF は、OCR 後にレビューして、テキスト レイヤーから署名アーティファクトを削除する必要があります。
クリーンアップされた OCR 出力の確認
クリーニング後、文書内で署名から一般的な OCR アーティファクト (ランダムな連続した大文字、繰り返しの文字、句読点の文字列など) を検索します。検索で見つかった場合は、確認して削除します。テキスト レイヤーにはドキュメントのコンテンツのみを含める必要があります。 Sign PDF 署名領域は、検索可能なテキストには何も寄与しません。
署名を除外して適切に OCR されたドキュメントには、きれいなテキスト レイヤーがあります。印刷された内容は検索可能です。署名は表示されますが、テキストには表示されません。これは正しい動作です。
OCR ゾーン選択を使用して署名を除外する
一部の OCR ツールでは、処理前にテキスト領域の周囲に四角形を描画できます。 OCR エンジンは、長方形の内側の領域のみを処理します。すべてのテキスト コンテンツの周囲に四角形を描画し、署名領域を選択しないままにします。署名は OCR から完全に除外されます。
OCR PDF ゾーンベースのアプローチは、署名を除外するための最も信頼性の高い方法です。署名領域が認識エンジンに送信されることはありません。
署名パターンを認識するための OCR エンジンのトレーニング
高度な OCR システムは、署名のようなパターンを識別し、自動的にスキップするようにトレーニングできます。トレーニングには、サンプル文書内の署名の例をマークすることが含まれます。このエンジンは署名の視覚的特徴を学習し、今後の OCR 実行から類似のパターンを除外します。
スキャン PDF の署名除外に対する機械学習アプローチは、時間の経過とともに改善されています。処理される各ドキュメントは、次のドキュメントのトレーニング データを提供します。
画像編集を使用して署名領域を事前にクリーニングする
OCR の前に、スキャンしたページを画像エディタで開きます。ブラシツールを使用して署名領域を白でペイントします。きれいになった画像を保存します。クリーンアップされたイメージに対して OCR を実行します。署名領域は空白になり、OCR アーティファクトは生成されません。この方法は、署名ピクセルを物理的に削除するため、ゾーンベースの除外よりも信頼性が高くなります。
Scanned PDF の事前クリーニング アプローチにより、署名の除外が保証されます。署名は、OCR が認識する前に画像から削除されます。 OCR エンジンが誤って解釈するものは何もありません。
署名の除外ありとなしの OCR 出力の比較
同じページで OCR を 2 回実行します。1 回目は署名を除外し、もう 1 回目は署名を除外しません。テキスト出力を比較します。除外なしのバージョンでは署名部分が文字化けします。除外したバージョンはクリーンになります。この比較は、署名処理の重要性を示し、OCR エンジンが苦労した他の領域を特定します。
OCR PDF の比較方法は品質診断です。これにより、署名アーティファクトだけでなく、気づかれない可能性のあるその他の認識問題も明らかになります。
バッチ処理のための署名検出の自動化
署名付きドキュメントの大量のバッチの場合、ページごとに手動で署名を除外することは現実的ではありません。ピクセル密度、ストローク幅、ページ上の位置に基づいて署名のようなパターンを検出し、OCR の前に自動的にマスクする画像処理スクリプトを使用します。自動化は、署名の識別とマスキングの繰り返し作業を処理します。
自動化による PDF フォームのバッチ署名の除外は、手動では拡張できない大量のドキュメント処理に適しています。