Kranten en tijdschriften rangschikken tekst in meerdere kolommen die over de pagina slingeren. Een verhaal begint linksboven, gaat verder in de eerste kolom, springt naar de bovenkant van de tweede kolom, gaat verder naar beneden en kan weer naar pagina zeven springen. OCR-engines die zijn getraind in documenten met één kolom, hebben moeite met deze lay-out. De engine leest de hele pagina en pakt tekst uit kolom één en kolom twee alsof het één enkele regel is. De uitvoer is een warboel waarin zinnen uit verschillende kolommen door elkaar heen staan.
OCR voor lay-outs met meerdere kolommen vereist dat de engine kolomgrenzen detecteert voordat tekst wordt herkend. De pagina is verdeeld in zones. Elke zone wordt onafhankelijk verwerkt. De tekst uit elke zone wordt in de juiste leesvolgorde samengesteld. Het resultaat wordt correct gelezen omdat elke kolom als een afzonderlijk tekstgebied werd behandeld.
De OCR PDF-uitdaging met lay-outs met meerdere kolommen is geen tekenherkenning. Het is zonedetectie. Het herkennen van de karakters is het makkelijke gedeelte. Weten welke karakters bij elkaar horen is het moeilijkste deel.
Zonedetectiemethoden
| Methode | Hoe het werkt | Beste voor |
|---|---|---|
| Automatische zonedetectie | De OCR-engine analyseert witruimtepatronen om kolomgoten en tekstblokken te identificeren | Strakke lay-outs met consistente kolombreedtes en duidelijke goten |
| Handmatige zonetekening | De gebruiker tekent rechthoeken rond elke kolom voordat de OCR wordt verwerkt | Complexe lay-outs met onregelmatige kolommen, afbeeldingen of advertenties |
| Orderspecificatie lezen | Gebruiker specificeert de volgorde waarin zones na detectie moeten worden gelezen | Documenten waarbij de natuurlijke kolomstroom niet van boven naar beneden, van links naar rechts is |
OCR met meerdere kolommen uitvoeren
Upload de PDF naar een OCR-tool die zonegebaseerde verwerking ondersteunt. Als de tool automatische zonedetectie biedt, voer deze dan uit en bekijk de gedetecteerde zones. Pas eventueel verkeerd geïdentificeerde zones handmatig aan. Geef de leesvolgorde op. Voer OCR uit. De uitvoer behoudt de kolomstructuur.
WukongPDF OCR-tools verwerken gescande documenten. De verwerking van meerdere kolommen Gescande PDF produceert tekst in de juiste leesvolgorde.
Leesvolgorde verifiëren
Lees na OCR een voorbeeldparagraaf die de kolomgrenzen in het origineel overspant. De OCR-uitvoer moet correct van de onderkant van de ene kolom naar de bovenkant van de volgende kolom stromen. Als zinnen worden afgebroken bij kolomgrenzen of tekst uit verschillende kolommen wordt gemengd, was de zonedetectie of leesvolgorde onjuist.
De leesvolgordeverificatie van het PDF-formaat bevestigt dat de OCR-uitvoer overeenkomt met de beoogde leesvolgorde van de originele lay-out.
Gemengde pagina's met één en meerdere kolommen verwerken
Een tijdschriftartikel kan beginnen met een kop van één kolom, overgaan naar een hoofdtekst van drie kolommen en eindigen met een samenvatting van één kolom. De OCR-zonedetectie moet deze overgangen correct verwerken. Elke paginasectie krijgt de juiste zoneconfiguratie.
Voor de verwerking van gemengde OCR PDF-opmaak is zonedetectie per sectie vereist, niet per pagina.
Controleer de zonedetectie op elk paginatype voordat u OCR op het hele document uitvoert.
Leesvolgorde voor schermlezers behouden
De leesvolgorde van de OCR-uitvoer bepaalt hoe schermlezers door het document navigeren. Een correcte leesvolgorde betekent dat een schermlezer kolom één van boven naar beneden leest en vervolgens kolom twee van boven naar beneden. Een onjuiste leesvolgorde betekent dat er over kolommen heen wordt gelezen, wat onbegrijpelijke uitvoer oplevert.
De leesvolgordespecificatie Gescande PDF voor toegankelijkheid zorgt ervoor dat de OCR-uitvoer bruikbaar is door ondersteunende technologie.
Test het document na OCR met een schermlezer. De test brengt leesvolgordefouten aan het licht die visuele inspectie over het hoofd ziet.
OCR voor documenten met afbeeldingen ingebed in kolommen
Afbeeldingen in kolommen onderbreken de tekststroom. De OCR-engine moet de afbeeldingsgrens herkennen en de tekst boven en onder behandelen als onderdeel van dezelfde kolom, niet als afzonderlijke tekstblokken.
De scheiding tussen afbeelding en tekst in PDF-indeling tijdens OCR met meerdere kolommen vereist dat de engine herkent dat afbeeldingen geen tekst zijn en de kolomstroom niet mogen onderbreken.
Pagina's met ingesloten afbeeldingen handmatig beoordelen. Automatische zonedetectie mislukt mogelijk bij beeldgrenzen.
Een zonesjabloon maken voor terugkerende publicatieformaten
Als u regelmatig hetzelfde publicatieformaat OCR maakt, maakt u een zonesjabloon. De sjabloon definieert de kolomposities, afbeeldingsgebieden en leesvolgorde voor die specifieke lay-out. Pas het sjabloon toe op elk nieuw nummer.
Dankzij de OCR PDF-zonesjabloon voor terugkerende publicaties is het niet meer nodig om de zonedetectie voor elk document opnieuw te configureren.
Werk de sjabloon bij wanneer de lay-out van de publicatie verandert. Een sjabloon dat correct was voor het format van vorig jaar, kan voor dit jaar verkeerd zijn.
Omgaan met variaties in de kolombreedte
Bij sommige lay-outs variëren de kolombreedten van pagina tot pagina. Een pagina met drie kolommen, gevolgd door een pagina met twee kolommen. De zonedetectie moet zich aan elke pagina afzonderlijk aanpassen.
De OCR PDF-zonedetectie per pagina verwerkt lay-outs waarbij de kolomconfiguratie verandert.
OCR-uitvoer gebruiken om originele artikelgrenzen te reconstrueren
Gebruik na OCR de herkende tekst om de artikelgrenzen te identificeren. Koppen, naamregels en vervolgmarkeringen geven aan waar artikelen beginnen en eindigen.
Dankzij de artikelgrensdetectie Gescande PDF uit de OCR-uitvoer kan het document in afzonderlijke artikelen worden opgesplitst.