신문과 잡지는 페이지 전체에 걸쳐 여러 열로 텍스트를 배열합니다. 스토리는 왼쪽 상단에서 시작하여 첫 번째 열 아래로 계속되고, 두 번째 열의 위로 이동하고, 아래로 계속되고, 다시 7페이지로 이동할 수 있습니다. 단일 열 문서에 대해 훈련된 OCR 엔진은 이 레이아웃에 어려움을 겪습니다. 엔진은 페이지 전체를 읽어 마치 한 줄인 것처럼 1열과 2열의 텍스트를 가져옵니다. 출력은 서로 다른 열의 문장이 인터리브되어 뒤죽박죽된 것입니다.
다중 열 레이아웃에 대한 OCR에서는 엔진이 텍스트를 인식하기 전에 열 경계를 감지해야 합니다. 페이지는 여러 영역으로 나누어져 있습니다. 각 영역은 독립적으로 처리됩니다. 각 영역의 텍스트는 올바른 읽기 순서로 정리되어 있습니다. 각 열이 별도의 텍스트 영역으로 처리되었으므로 결과가 올바르게 읽힙니다.
The OCR PDF challenge with multi-column layouts is not character recognition. 구역 감지입니다. 문자를 인식하는 것은 쉬운 부분입니다. Knowing which characters belong together is the hard part.
구역 감지 방법
| 방법 | 작동 방식 | 에 가장 적합 |
|---|---|---|
| 자동 구역 감지 | OCR 엔진은 공백 패턴을 분석하여 열 여백과 텍스트 블록을 식별합니다. | 일관된 열 너비와 명확한 거터로 깔끔한 레이아웃 |
| 수동 구역 그리기 | 사용자는 OCR 처리 전에 각 열 주위에 직사각형을 그립니다. | 불규칙한 열, 이미지 또는 광고가 포함된 복잡한 레이아웃 |
| 읽기 순서 사양 | 사용자는 감지 후 영역을 읽어야 하는 순서를 지정합니다. | 자연적인 기둥 흐름이 위에서 아래로 왼쪽에서 오른쪽으로 이루어지지 않는 문서 |
다중 열 OCR 실행
영역 기반 처리를 지원하는 OCR 도구에 PDF를 업로드합니다. 도구가 자동 영역 감지 기능을 제공하는 경우 도구를 실행하고 감지된 영역을 검토하세요. 잘못 식별된 영역을 수동으로 조정합니다. 읽는 순서를 지정합니다. OCR을 실행하세요. 출력에서는 열 구조가 유지됩니다.
WukongPDF OCR 도구는 스캔한 문서를 처리합니다. 스캔 PDF 다중 열 처리는 올바른 읽기 순서로 텍스트를 생성합니다.
읽는 순서 확인
OCR 후에 원본의 열 경계에 걸쳐 있는 샘플 단락을 읽으십시오. OCR 출력은 한 열의 맨 아래에서 다음 열의 맨 위로 올바르게 흘러야 합니다. 열 경계에서 문장이 끊어지거나 다른 열의 텍스트가 혼합된 경우 영역 감지 또는 읽기 순서가 잘못된 것입니다.
PDF 형식 읽기 순서 확인은 OCR 출력이 원래 레이아웃의 의도된 읽기 순서와 일치하는지 확인합니다.
혼합된 단일 및 다중 열 페이지 처리
잡지 기사는 단일 열의 제목으로 시작하여 3열의 본문 텍스트로 전환하고 단일 열의 요약으로 끝날 수 있습니다. OCR 영역 감지는 이러한 전환을 올바르게 처리해야 합니다. 각 페이지 섹션은 적절한 영역 구성을 받습니다.
OCR PDF 혼합 레이아웃 처리에는 페이지별이 아닌 섹션별 영역 감지가 필요합니다.
전체 문서에 대해 OCR을 실행하기 전에 각 페이지 유형의 영역 감지를 검토하세요.
화면 판독기의 읽기 순서 유지
OCR 출력 읽기 순서에 따라 화면 판독기가 문서를 탐색하는 방법이 결정됩니다. 올바른 읽기 순서는 화면 판독기가 1열을 위에서 아래로 읽은 다음 2열을 위에서 아래로 읽는 것을 의미합니다. 잘못된 읽기 순서는 여러 열을 읽어 이해할 수 없는 출력을 생성한다는 의미입니다.
접근성을 위한 스캔 PDF 읽기 순서 사양은 OCR 출력을 보조 기술로 사용할 수 있도록 보장합니다.
OCR 후 화면 판독기로 문서를 테스트합니다. 테스트를 통해 육안 검사에서 놓친 읽기 순서 오류가 드러납니다.
열에 이미지가 포함된 문서에 대한 OCR
열 내의 이미지는 텍스트 흐름을 깨뜨립니다. OCR 엔진은 이미지 경계를 인식하고 위와 아래의 텍스트를 별도의 텍스트 블록이 아닌 동일한 열의 일부로 처리해야 합니다.
다중 열 OCR 중 PDF 형식 이미지-텍스트 분리를 위해서는 엔진이 이미지가 텍스트가 아니며 열 흐름을 방해해서는 안 된다는 것을 인식해야 합니다.
삽입된 이미지가 있는 페이지를 수동으로 검토합니다. 이미지 경계에서 자동 영역 감지가 실패할 수 있습니다.
반복 출판 형식을 위한 영역 템플릿 생성
동일한 출판 형식을 정기적으로 OCR하는 경우 영역 템플릿을 만듭니다. 템플릿은 특정 레이아웃에 대한 열 위치, 이미지 영역 및 읽기 순서를 정의합니다. 각각의 새로운 이슈에 템플릿을 적용합니다.
반복 출판을 위한 OCR PDF 영역 템플릿을 사용하면 각 문서에 대한 영역 감지를 재구성할 필요가 없습니다.
출판물 레이아웃이 변경되면 템플릿을 업데이트합니다. 작년 형식에는 올바른 템플릿이 올해에는 틀릴 수도 있습니다.
열 너비 변화 처리
일부 레이아웃은 페이지마다 열 너비가 다릅니다. 3열 페이지와 2열 페이지가 이어집니다. 영역 감지는 각 페이지에 개별적으로 적용되어야 합니다.
OCR PDF 페이지별 영역 감지는 열 구성이 변경되는 레이아웃을 처리합니다.
OCR 출력을 사용하여 원본 기사 경계 재구성
OCR 후 인식된 텍스트를 사용하여 기사 경계를 식별합니다. 헤드라인, 저자명, 연속 표시는 기사가 시작되고 끝나는 위치를 나타냅니다.
OCR 출력에서 스캔된 PDF 기사 경계 감지를 통해 문서를 개별 기사로 분할할 수 있습니다.