Door OCR PDF op een gescand document uit te voeren, wordt de tekst geëxtraheerd, maar de uitvoer verwijdert vaak de visuele structuur die het origineel leesbaar maakte. Koppen worden eenvoudige alinea's, kolommen vallen samen in één enkele tekststroom en tabellen lossen op in door elkaar gegooide fragmenten. Door de originele pagina-indeling na OCR intact te houden, blijft de herkende tekst gepositioneerd waar hij thuishoort, waarbij de leesvolgorde, kolomstructuur en ruimtelijke relaties die het document zijn betekenis geven, behouden blijven. Hiervoor moet u vóór de verwerking de juiste OCR-instellingen en het juiste uitvoerformaat kiezen, en niet erna.
Hoe OCR-lay-outbehoud werkt
OCR-engines verwerken een gescande pagina in twee verschillende fasen. In de eerste fase wordt de paginaafbeelding geanalyseerd om zones en inhoudsblokken, zoals tekstkolommen, afbeeldingen, tabellen en kopteksten, te identificeren. In de tweede fase wordt karakterherkenning binnen elke zone uitgevoerd. De lay-outbehoudende OCR-aanpak handhaaft de ruimtelijke coördinaten van elk herkend woord, waarbij niet alleen wordt vastgelegd wat de tekst zegt, maar ook waar de tekst op de pagina verschijnt. Deze coördinaten bepalen de leesvolgorde en de visuele hiërarchie van het document.
Wanneer lay-outbehoud is ingeschakeld, worden bij de OCR-uitvoer onzichtbare tekstlagen direct bovenop de origineel gescande afbeelding in de PDF ingesloten. Elk herkend woord bevindt zich op de exacte pixelpositie van het bronteken in de scan. Dit betekent dat het document er identiek uitziet als het origineel wanneer het wordt bekeken, maar dat de tekst eronder selecteerbaar, doorzoekbaar en toegankelijk is voor schermlezers. De Gescande PDF wordt een hybride document met de visuele betrouwbaarheid van de originele scan en de tekstfunctionaliteit van een digitaal gemaakt bestand.
De juiste OCR-uitvoermodus kiezen
De meeste OCR-tools bieden ten minste drie uitvoermodi, en de keuze daartussen bepaalt of de lay-out overleeft. In de modus Doorzoekbare afbeelding blijft de origineel gescande pagina als zichtbare laag en wordt daaronder een onzichtbare tekstlaag toegevoegd. Hierdoor blijft de lay-out perfect behouden omdat de visuele pagina niet verandert. De tekst- en afbeeldingenmodus creëert een nieuwe pagina met herkende tekst en geëxtraheerde afbeeldingen, opnieuw gepositioneerd om de oorspronkelijke lay-out te benaderen. Deze modus behoudt de lay-out gedeeltelijk en werkt goed voor eenvoudige documenten met één kolom, maar complexe pagina's met meerdere kolommen kunnen enigszins verschuiven.
In de modus Alleen tekst worden alle afbeeldingen en opmaak verwijderd, waardoor een stroom platte tekst ontstaat zonder lay-outinformatie. Deze modus moet volledig worden vermeden als de lay-out ertoe doet. Voor documenten waarbij PDF-kwaliteit en lay-outgetrouwheid beide belangrijk zijn, biedt de modus Doorzoekbare afbeeldingen de beste balans. De bestandsgrootte zal groter zijn dan bij een export met alleen tekst omdat de originele afbeeldingsgegevens behouden blijven, maar de afweging is de moeite waard voor elk document dat in zijn oorspronkelijke visuele vorm wordt gelezen, gedeeld of gearchiveerd.
Omgaan met meerkolommen en complexe lay-outs
Documenten met meerdere kolommen vormen de grootste uitdaging voor het behoud van de OCR-lay-out, omdat de leesvolgorde over de pagina zigzagt. Een academisch artikel met twee kolommen heeft de OCR-engine nodig om helemaal in de linkerkolom te lezen voordat het weer naar de bovenkant van de rechterkolom springt. Zonder de juiste zonedetectie kan de OCR-uitvoer regels uit beide kolommen interleaven, waardoor onzintekst ontstaat waarbij elke andere regel tot een andere kolom behoort.
Moderne OCR-engines gebruiken zonedetectie-algoritmen die kolomgrenzen identificeren door de gaten tussen tekstblokken te analyseren. Voordat u OCR uitvoert op een document met meerdere kolommen, controleert u of de tool een kolomdetectie of automatische zone-instelling biedt. Als de tool de kolomgrenzen verkeerd identificeert, kunt u bij de meeste desktop-OCR-toepassingen handmatig zonerechthoeken op de pagina tekenen om de herkenningsvolgorde te bepalen. Het tekenen van zones kost vooraf meer tijd, maar garandeert een correcte leesvolgorde in de uitvoer.
Tabellen en numerieke gegevens bewaren
Tabellen combineren lay-out en gegevens op een manier die generieke OCR moeilijk kan interpreteren. De rasterstructuur die een tabel leesbaar maakt voor het menselijk oog, waarbij rijen worden afgewisseld met consistente kolombreedtes en uitlijning, vereist dat de OCR-engine zowel de celgrenzen als de relatie tussen cellen in dezelfde rij of kolom herkent. Wanneer het behoud van de lay-out correct werkt, produceert een tabel in het originele document een tabel in de OCR-uitvoer met elke waarde in de juiste cel.
In de onderstaande tabel wordt vergeleken hoe verschillende OCR-uitvoermodi omgaan met het behoud van tabellen:
| OCR-uitvoermodus | Tabelstructuur | Celuitlijning |
|---|---|---|
| Doorzoekbare afbeelding | Origineel beeld bewaard gebleven | Exact, ingebouwd in de bron |
| Tekst en afbeeldingen | Gereconstrueerd als teksttabel | Bij benadering, kan afdrijven |
| Alleen tekst | Helemaal verloren | Er is geen uitlijning bewaard gebleven |
OCR-instellingen die de lay-outkwaliteit beïnvloeden
Verschillende instellingen buiten de uitvoermodus beïnvloeden hoe goed de originele lay-out de herkenning overleeft. De DPI-instelling voor het invoerbeeld is het meest kritisch. Scans met 300 DPI bieden voldoende pixeldichtheid zodat de OCR-engine tekenvormen kan onderscheiden en lay-outzones nauwkeurig kan detecteren. Scans met een resolutie van 150 DPI of lager produceren wazige karakterranden die zowel de herkenningsengine als het zonedetectiealgoritme in de war brengen. Scannen met 600 DPI verbetert de nauwkeurigheid enigszins, maar verhoogt de verwerkingstijd en de bestandsgrootte zonder voor de meeste documenten een proportioneel voordeel.
Met scheefstandcorrectie worden pagina's rechtgetrokken die onder een kleine hoek zijn gescand. Zelfs een kanteling van twee graden kan ertoe leiden dat de zonedetectie een kolomgrens verkeerd interpreteert als een diagonale scheidingslijn. Door het automatisch rechtzetten vóór OCR in te schakelen, wordt het behoud van de lay-out in bijna alle gevallen verbeterd. Op dezelfde manier verwijderen de spikkelfilters verdwaalde punten en scannerruis die de zonedetector zou kunnen interpreteren als kleine tekstblokken, die de herkende zones kunnen fragmenteren en de leesvolgorde kunnen verstoren. Tools zoals WukongPDF passen deze voorbewerkingscorrecties automatisch toe, waardoor schonere zonekaarten en nauwkeuriger behoud van de lay-out voor verschillende documenttypen worden geproduceerd.
Nauwkeurigheid van de lay-out verifiëren na OCR
Nadat u OCR hebt uitgevoerd terwijl lay-outbehoud is ingeschakeld, controleert u het resultaat voordat u het document archiveert of distribueert. Open de uitvoer-PDF en schakel het tekstselectiehulpmiddel in. Sleep de cursor over een alinea in elke kolom en bevestig dat de selectie de juiste leesvolgorde volgt zonder naar aangrenzende kolommen te springen. Zoek naar een woord dat in een tabel voorkomt en controleer of het zoekresultaat de juiste cellocatie markeert. Kopieer een alinea uit een middelste kolom en plak deze in een teksteditor om te controleren of de regels in de juiste volgorde verschijnen.
Voor kritieke documenten waarbij lay-outfouten tot verwarring zouden kunnen leiden, is een pagina-voor-pagina vergelijking tussen de originele scan en de OCR-uitvoer de meest betrouwbare verificatiemethode. Open beide bestanden naast elkaar en controleer de eerste zin van elke alinea, elke tabelkop en alle tekst die in kop- of voetteksten verschijnt. Het opsporen van een zonedetectiefout in dit stadium duurt seconden per pagina. Het maanden later ontdekken wanneer iemand het document probeert te doorzoeken en onleesbare resultaten krijgt, is veel duurder.
De juiste OCR-engine kiezen voor documenten met veel lay-out
Verschillende OCR-engines behandelen het behoud van de lay-out met verschillende niveaus van verfijning. Tesseract, de open source-engine die wordt onderhouden door Google, presteert goed op eenvoudige documenten met één kolom, maar kan moeite hebben met academische papers of tijdschriftindelingen met meerdere kolommen zonder extra voorbewerking. ABBYY FineReader, een commerciële engine, scoort consistent het hoogst in onafhankelijke benchmarks voor lay-outbehoud, omdat het de volledige paginastructuur analyseert voordat tekenherkenning wordt uitgevoerd, waardoor een zonekaart wordt opgebouwd die de ruimtelijke relatie tussen tekstblokken behoudt.
Voor documenten waarbij het behoud van de lay-out van cruciaal belang is, investeert u de tijd om twee verschillende OCR-engines te testen op een representatieve voorbeeldpagina voordat u het volledige document verwerkt. OCR één complexe pagina met elke engine en vergelijk de resultaten naast elkaar. Kijk naar de leesvolgorde, kolomscheiding en tabelstructuur in beide resultaten. De engine die de meest uitdagende pagina in uw document afhandelt, zal waarschijnlijk de rest op acceptabele wijze afhandelen. Deze testinvestering van vijftien minuten kan later urenlange handmatige lay-outcorrectie voorkomen.
WukongPDF bevat OCR-functionaliteit die de pagina-indeling en leesvolgorde behoudt, waardoor het een praktische keuze is voor gebruikers die nauwkeurig doorzoekbare PDF's nodig hebben zonder desktop-OCR-software te installeren. De cloudgebaseerde verwerking verwerkt documenten met meerdere pagina's efficiënt, waardoor een doorzoekbare PDF wordt geretourneerd met de originele visuele weergave intact.
Een vaak over het hoofd geziene factor bij het behoud van de lay-out is de kwaliteit en staat van de originele scan. Een scheve, gekreukte of contrastarme originele pagina dwingt de OCR-engine om zijn analytische middelen te besteden aan het corrigeren van beeldfouten in plaats van de lay-outstructuur in kaart te brengen. Voordat u OCR uitvoert, inspecteert u elke pagina visueel. Als de scan een gekanteld tekstblok laat zien, donkere schaduwen langs de rug van een ingebonden boek of vervaagde tekst die opgaat in de achtergrond, moet u de afbeeldingen vooraf verwerken.
Het verschil in bestandsgrootte tussen OCR-uitvoer met behoud van lay-out en OCR-uitvoer zonder lay-out kan aanzienlijk zijn. Een doorzoekbare PDF-afbeelding behoudt de origineel gescande pagina als een afbeeldingslaag met volledige resolutie en een onzichtbare tekstoverlay, wat resulteert in bestandsgroottes die vele malen groter zijn dan bij uitvoer met alleen tekst. Voor archiveringsdoeleinden waarbij de opslag niet beperkt is, is het grotere bestand een waardevolle afweging voor de lay-outgetrouwheid.
Voor archiefprojecten waarbij historische documenten betrokken zijn, wordt het behoud van de lay-out van extra belang omdat de fysieke verschijningsvorm van het originele document historische en bewijskrachtige waarde heeft. Een OCR-uitvoer die elk woord correct herkent, maar ze opnieuw rangschikt in een tekstblok met één kolom, heeft de visuele context van het origineel vernietigd. In deze projecten is de doorzoekbare afbeeldingsbenadering verplicht, en elke tekstuitvoer moet worden behandeld als een hulpmiddel bij het zoeken in plaats van als vervanging van het originele document.