背景に色が付いている文書では、OCR の精度が大幅に低下します。水色の紙に印刷されたフォーム。クリームストックの証明書。黄色の背景に赤い文字の看板。写真の上に文字を重ねたパンフレットです。 OCR エンジンは、白い背景に黒いテキストを想定します。背景に色があると、文字と背景のコントラストが低くなります。文字のエッジが背景にぼやけます。認識精度が低下します。色付きの背景によって OCR の精度が低下する理由を理解すると、処理前に適切な補正を適用することができます。
背景の色は、コントラストの低下、カラー チャネルの混乱、およびしきい値検出エラーを通じて OCR に影響を与えます。各メカニズムは異なる方法で精度を低下させます。この修正では、各メカニズムに具体的に対処します。
色付きの背景での OCR PDF の精度は、認識前に背景を正規化する画像前処理によって向上できます。
背景の色が OCR に与える影響
OCR エンジンは、しきい値処理と呼ばれるプロセスを通じてカラー画像を白黒に変換します。すべてのピクセルは、黒になるテキスト、または白になる背景のいずれかに分類されます。色付きの背景では、特に背景が暗い色またはテキストが明るい色の場合、背景の一部であるピクセルがテキスト ピクセルと同様の暗さの値を持つことがあります。しきい値処理アルゴリズムは間違いを犯し、背景ピクセルをテキストとして分類したり、テキスト ピクセルを背景として分類したりします。
精度を向上させるための前処理
まず画像をグレースケールに変換します。次に、適応型しきい値処理を適用します。これは、1 つのグローバルしきい値ではなく、画像の異なる領域に対して異なるしきい値を使用します。適応型の方法は、グローバルなしきい値処理よりも背景色の変化をうまく処理します。
WukongPDF OCR はスキャンされた文書を処理します。 OCR エンジンが画像を受け取る前に、色付きの背景に対する Scanned PDF の前処理を適用する必要があります。
低い精度を受け入れる場合
一部の背景に色が付いているドキュメントでは、完全な OCR を実現できません。 90 ～ 95% の精度を受け入れ、手動修正を計画します。難しいドキュメントで 99% の精度を達成しようとすると、95% の出力を手動で修正するのに必要な時間を超える場合があります。
OCR精度におけるコントラスト比の役割
OCR の精度は、テキストと背景の間のコントラスト比と直接相関します。白地に黒のテキストのコントラストは最大です。水色に青い文字はコントラストが低いです。 OCR エンジンは、文字のエッジを確実に区別するために、最小限のコントラスト比を必要とします。
OCR PDF のコントラスト要件は、色付きの背景によって精度が低下する理由を説明しています。解決策は、前処理を通じてコントラストを高めることです。
より良い結果を得るためにカラー チャネル分離を使用する
テキストと背景が主に 1 つのカラー チャネルで異なる場合は、OCR 用にそのチャネルを分離します。緑の背景に赤いテキストは、グレースケールではほとんど見えませんが、赤のチャネルでは明確に分離されています。
スキャン PDF カラー チャネル分離技術により、テキストと背景の色が異なるドキュメントの OCR が向上します。
再スキャンが最善の解決策である場合
オリジナルの紙文書が利用可能な場合は、高コントラストのグレースケールまたは白黒で再スキャンすると、不十分なカラー スキャンを修正するよりもはるかに優れた OCR 結果が得られます。
オリジナルにアクセスできる場合、PDF 品質の再スキャン オプションは、色付きの背景の OCR 問題を最も効果的に解決します。
光、色、文字認識の物理学
OCR は、明るいピクセルと暗いピクセルが交わるエッジを検出することで機能します。色付きの背景では、エッジのコントラストが低下します。 OCR エンジンは、文字のエッジと背景色の遷移を区別する必要があります。コントラストが低いと、エッジ検出エラーが多くなります。
OCR PDF のコントラストの物理学は、コントラストを最大化する前処理によって精度が向上する理由を説明します。グレースケール変換と適応しきい値処理は、コントラスト強調技術です。
カラー文書で最良の OCR 結果を得るには、カラーではなく高コントラストのグレースケールでスキャンしてください。スキャナーは人間の目で認識できる以上のコントラストをキャプチャできます。
色の組み合わせの違いが精度に与える影響の違い
明るい色の背景上の暗いテキストは、暗い背景上の明るいテキストよりもパフォーマンスが高くなります。水色に黒は 95% の精度で OCR される可能性があります。白地に黄色は 50% 以下で OCR される可能性があります。特定の色の組み合わせによって精度の低下が決まります。
スキャン PDF の色の組み合わせ分析は、どのドキュメントが最も前処理と手動修正を必要とするかを予測するのに役立ちます。
ドキュメント セット内の各色の組み合わせのサンプルで OCR をテストします。結果を使用して、精度が最も低い組み合わせの前処理作業に優先順位を付けます。
カラードキュメントに対する機械学習 OCR エンジンの使用
さまざまな種類のドキュメントでトレーニングされたニューラル ネットワーク OCR エンジンは、従来のパターン マッチング エンジンよりも色付きの背景をうまく処理します。ニューラル ネットワークは、コントラストが低く、色が変化する状況でも文字を認識できるようになりました。
OCR PDF エンジンの選択は、カラー文書の精度に大きく影響します。従来の OCR で結果が悪い場合は、ニューラル エンジンを試してください。
ニューラル OCR の処理時間は、通常、従来の OCR よりも長くなります。カラードキュメントの精度が向上すると、追加の時間が正当化されます。
混合色のドキュメント セットの前処理ワークフローの作成
ドキュメント セットには、白い背景、色付きの背景、および画像の背景を持つページが含まれる場合があります。各ページ タイプを、そのタイプに最適な設定で処理します。単一の前処理設定をすべてのページに適用すると、ページによっては間違ったものになる可能性があります。
PDF 品質の混合色前処理ワークフローは、ページごとまたはセクションごとの分析を使用して、各コンテンツ タイプに適切な設定を適用します。
各ページ タイプの前処理設定を文書化します。文書化により、同様の特性を持つ将来の文書セットの一貫した処理が可能になります。
手動補正の精度と予算の低下を受け入れる場合
一部のドキュメントでは、高い OCR 精度を達成するための労力が、精度の低い出力を手動で修正するための労力を上回ります。 85% の精度で OCR を実行する 500 ページの文書を手動で修正するには 10 時間かかる可能性がありますが、95% に達するには 20 時間の前処理実験が必要です。
OCR 精度に関する PDF ツールの費用対効果分析では、自動処理時間と手動修正時間の両方が考慮されます。合計時間を最小限に抑えるパスを選択してください。
ヒストグラム分析を使用したコントラストの問題の診断
画像のヒストグラムは、ピクセルの輝度値の分布を示します。 2 つの異なるピークを持つヒストグラムは、テキストと背景のコントラストが良好であることを示します。単一の幅広いピークを持つヒストグラムは、コントラストが低いことを示します。
OCR PDF ヒストグラム分析は、前処理を開始する前にコントラストの問題を定量化します。
紙の質感が OCR 精度に及ぼす影響
リネンや敷いた紙などのテクスチャーのある紙は、OCR エンジンがテキストとして解釈する背景ノイズを生成します。テクスチャによって偽のエッジが追加され、文字認識が混乱します。画像のスムージングはテクスチャ ノイズを軽減しますが、文字のエッジも柔らかくする場合があります。
スキャンされた PDF 紙の質感の問題は、印刷された複製ではなく、オリジナルの紙からスキャンされた歴史的文書で最も一般的です。
OCR の代わりに手動転写を使用する場合
色やコントラストに重大な問題がある文書の場合は、大規模な前処理や修正よりも手動での転写の方がコスト効率が高い場合があります。人間の文字起こし者は、OCR エンジンが認識できないテキストを読み取ることができます。
OCR 出力のページごとの修正時間がページごとの転写時間を超えると、PDF 品質 手動転写決定点に達します。
スキャナーのキャリブレーションが色精度に及ぼす影響
キャリブレーションされていないスキャナーでは色ずれが生じ、OCR の精度が低下します。カラードキュメントをスキャンする前にスキャナを調整してください。カラーターゲットを使用してキャリブレーションを検証します。
OCR PDF スキャナのキャリブレーション手順により、デジタル画像が元のドキュメントの色を正確に表現していることが保証されます。
難しい文書にマルチスペクトル イメージングを使用する
マルチスペクトル イメージングでは、複数の光の波長でドキュメントをキャプチャします。波長が異なると、標準の白色光では見えないテキストが表示されます。著しく劣化したカラー文書の場合、マルチスペクトル イメージングが唯一の実行可能なキャプチャ方法である可能性があります。
スキャン PDF マルチスペクトル アプローチは、標準的なデジタル化に抵抗のある文書の主要なアーカイブで使用されています。
問題のある文書タイプの参照コレクションの構築
一般的な OCR の課題を表すサンプル ドキュメントのコレクションを維持します。新しい前処理テクニックを本番ドキュメントに適用する前に、このリファレンス コレクションに対してテストしてください。
PDF Quality リファレンス コレクションは、長期にわたる OCR 精度向上のための一貫したベンチマークを提供します。