Dokładność rozpoznawania OCR znacznie spada w przypadku dokumentów z kolorowym tłem. Formularz wydrukowany na jasnoniebieskim papierze. Certyfikat na bulion śmietankowy. Znak z czerwonym tekstem na żółtym tle. Broszura z tekstem nałożonym na fotografie. Silnik OCR oczekuje czarnego tekstu na białym tle. Gdy tło jest kolorowe, kontrast między tekstem a tłem maleje. Krawędzie postaci rozpływają się w tle. Dokładność rozpoznawania spada. Zrozumienie, dlaczego kolorowe tła pogarszają dokładność rozpoznawania OCR, pomoże zastosować odpowiednie poprawki przed przetwarzaniem.
Kolor tła wpływa na rozpoznawanie OCR poprzez redukcję kontrastu, pomieszanie kanałów kolorów i błędy wykrywania progów. Każdy mechanizm w inny sposób zmniejsza celność. Poprawki dotyczą szczegółowo każdego mechanizmu.
Dokładność OCR PDF na kolorowych tłach można poprawić poprzez wstępne przetwarzanie obrazu, które normalizuje tło przed rozpoznaniem.
Jak kolorowe tła wpływają na OCR
Silniki OCR konwertują obrazy kolorowe na czarno-białe w procesie zwanym progowaniem. Każdy piksel jest klasyfikowany jako tekst, który staje się czarny, lub tło, które staje się białe. Na kolorowym tle piksele będące częścią tła mogą mieć wartości przyciemnienia podobne do pikseli tekstu, zwłaszcza jeśli tło ma ciemny kolor lub tekst jest jasny. Algorytm progowania popełnia błędy, klasyfikując piksele tła jako tekst lub piksele tekstu jako tło.
Przetwarzanie wstępne w celu poprawy dokładności
Najpierw przekonwertuj obraz na skalę szarości. Następnie zastosuj progowanie adaptacyjne, które wykorzystuje różne wartości progowe dla różnych obszarów obrazu, a nie jeden próg globalny. Metoda adaptacyjna radzi sobie ze zmieniającymi się kolorami tła lepiej niż progowanie globalne.
WukongPDF OCR przetwarza zeskanowane dokumenty. Przed otrzymaniem obrazów przez silnik OCR należy zastosować obróbkę wstępną Skanowany plik PDF dla kolorowego tła.
Kiedy zaakceptować niższą dokładność
W przypadku niektórych dokumentów z kolorowym tłem idealny OCR nie jest możliwy. Zaakceptuj dokładność na poziomie 90–95 procent i zaplanuj ręczną korektę. Czas spędzony na próbie osiągnięcia 99-procentowej dokładności w trudnym dokumencie może przekroczyć czas wymagany na ręczną korektę 95-procentowego wyniku.
Rola współczynnika kontrastu w dokładności OCR
Dokładność rozpoznawania OCR jest bezpośrednio powiązana ze współczynnikiem kontrastu między tekstem a tłem. Czarny tekst na białym tle ma maksymalny kontrast. Niebieski tekst na jasnoniebieskim tle ma niski kontrast. Silnik OCR potrzebuje minimalnego współczynnika kontrastu, aby niezawodnie rozróżniać krawędzie znaków.
Wymóg kontrastu OCR PDF wyjaśnia, dlaczego kolorowe tła zmniejszają dokładność. Rozwiązanie polega na zwiększeniu kontrastu poprzez wstępne przetwarzanie.
Korzystanie z separacji kanałów kolorów w celu uzyskania lepszych wyników
Jeśli tekst i tło różnią się głównie jednym kanałem koloru, oddziel ten kanał dla OCR. Czerwony tekst na zielonym tle może być prawie niewidoczny w skali szarości, ale wyraźnie oddzielony w kanale czerwonym.
Technika separacji kanałów kolorów Skanowany plik PDF poprawia funkcję OCR w dokumentach, w których kolory tekstu i tła różnią się.
Kiedy ponowne skanowanie jest najlepszym rozwiązaniem
Jeśli dostępny jest oryginalny dokument papierowy, ponowne skanowanie w skali szarości lub w czerni i bieli przy wysokim kontraście daje znacznie lepsze wyniki OCR niż próba skorygowania słabego skanowania w kolorze.
Opcja ponownego skanowania w jakości pliku PDF to najskuteczniejsze rozwiązanie problemów z OCR z kolorowym tłem, gdy oryginał jest dostępny.
Fizyka światła, koloru i rozpoznawania znaków
OCR działa poprzez wykrywanie krawędzi, w których spotykają się jasne i ciemne piksele. Na kolorowym tle kontrast krawędzi jest zmniejszony. Silnik OCR musi rozróżniać krawędź znaku od przejścia koloru tła. Niższy kontrast oznacza więcej błędów wykrywania krawędzi.
Fizyka kontrastu OCR PDF wyjaśnia, dlaczego przetwarzanie wstępne maksymalizujące kontrast poprawia dokładność. Konwersja skali szarości i adaptacyjne progowanie to techniki zwiększania kontrastu.
Aby uzyskać najlepsze wyniki OCR w przypadku kolorowych dokumentów, skanuj w skali szarości z wysokim kontrastem, a nie w kolorze. Skaner może uchwycić większy kontrast niż ludzkie oko.
Jak różne kombinacje kolorów w różny sposób wpływają na dokładność
Ciemny tekst na jasnym tle działa lepiej niż jasny tekst na ciemnym tle. Czarny na jasnoniebieskim może OCR z dokładnością 95%. Żółty na białym może OCR na poziomie 50% lub mniej. Specyficzna kombinacja kolorów określa utratę dokładności.
Analiza kombinacji kolorów Skanowany plik PDF pomaga przewidzieć, które dokumenty będą wymagały największego wstępnego przetwarzania i ręcznej korekty.
Przetestuj OCR na próbce każdej kombinacji kolorów w zestawie dokumentów. Skorzystaj z wyników, aby ustalić priorytety prac związanych z przetwarzaniem wstępnym dla kombinacji o najniższej dokładności.
Korzystanie z silników OCR opartych na uczeniu maszynowym w przypadku dokumentów kolorowych
Silniki OCR sieci neuronowych przeszkolone w zakresie różnych typów dokumentów radzą sobie z kolorowymi tłami lepiej niż tradycyjne silniki dopasowujące wzorce. Sieć neuronowa nauczyła się rozpoznawać znaki w warunkach niskiego kontrastu i zróżnicowanych kolorach.
Wybór mechanizmu OCR PDF znacząco wpływa na dokładność kolorowych dokumentów. Jeśli tradycyjny OCR daje słabe wyniki, wypróbuj silnik neuronowy.
Czas przetwarzania neuronowego OCR jest zazwyczaj dłuższy niż w przypadku tradycyjnego OCR. Poprawa dokładności dokumentów kolorowych uzasadnia dodatkowy czas.
Tworzenie przepływu pracy przetwarzania wstępnego dla zestawów dokumentów w różnych kolorach
Zestaw dokumentów może zawierać strony z białym tłem, kolorowym tłem i obrazami w tle. Przetwarzaj każdy typ strony z optymalnymi ustawieniami dla tego typu. Pojedyncze ustawienie wstępnego przetwarzania zastosowane do wszystkich stron będzie dla niektórych niewłaściwe.
Proces wstępnego przetwarzania mieszanych kolorów w jakości PDF wykorzystuje analizę strona po stronie lub sekcja po sekcji, aby zastosować odpowiednie ustawienia do każdego typu zawartości.
Udokumentuj ustawienia przetwarzania wstępnego dla każdego typu strony. Dokumentacja umożliwia spójne przetwarzanie przyszłych zestawów dokumentów o podobnych cechach.
Kiedy zaakceptować niższą dokładność i budżet w przypadku ręcznej korekty
W przypadku niektórych dokumentów wysiłek włożony w osiągnięcie wysokiej dokładności OCR przewyższa wysiłek związany z ręczną korektą wyników o niższej dokładności. 500-stronicowy dokument, w którym ręczna korekta OCR z dokładnością do 85% może zająć 10 godzin, ale osiągnięcie 95% wymaga 20 godzin eksperymentów związanych z przetwarzaniem wstępnym.
Analiza kosztów i korzyści narzędzi PDF pod kątem dokładności OCR uwzględnia zarówno czas automatycznego przetwarzania, jak i czas ręcznej korekty. Wybierz ścieżkę, która minimalizuje całkowity czas.
Używanie analizy histogramu do diagnozowania problemów z kontrastem
Histogram obrazu przedstawia rozkład wartości jasności pikseli. Histogram z dwoma wyraźnymi pikami wskazuje dobry kontrast między tekstem a tłem. Histogram z pojedynczym szerokim pikiem wskazuje na niski kontrast.
Analiza histogramu OCR PDF określa ilościowo problem kontrastu przed rozpoczęciem przetwarzania wstępnego.
Wpływ tekstury papieru na dokładność OCR
Papier teksturowany, taki jak papier płócienny lub papier krepowany, powoduje powstawanie szumów tła, które silniki OCR interpretują jako tekst. Tekstura dodaje fałszywe krawędzie, które mylą rozpoznawanie znaków. Wygładzanie obrazu zmniejsza szumy tekstur, ale może również złagodzić krawędzie znaków.
Wyzwanie dotyczące tekstury papieru Skanowany plik PDF występuje najczęściej w przypadku dokumentów historycznych skanowanych z oryginalnego papieru, a nie z drukowanych reprodukcji.
Kiedy stosować transkrypcję ręczną zamiast OCR
W przypadku dokumentów z poważnymi problemami z kolorami i kontrastem ręczna transkrypcja może być bardziej opłacalna niż obszerne wstępne przetwarzanie i korekta. Osoba dokonująca transkrypcji może przeczytać tekst, którego nie rozpoznaje żaden silnik OCR.
Punkt decyzji o ręcznej transkrypcji Jakość PDF zostaje osiągnięty, gdy czas korekty na stronę dla wyniku OCR przekracza czas transkrypcji na stronę.
Wpływ kalibracji skanera na dokładność kolorów
Nieskalibrowany skaner powoduje przesunięcia kolorów, które zmniejszają dokładność rozpoznawania OCR. Skalibruj skaner przed skanowaniem kolorowych dokumentów. Użyj wzorca koloru, aby zweryfikować kalibrację.
Krok kalibracji skanera OCR PDF zapewnia, że obraz cyfrowy dokładnie odzwierciedla kolory oryginalnego dokumentu.
Korzystanie z obrazowania wielospektralnego w przypadku trudnych dokumentów
Obrazowanie wielospektralne rejestruje dokumenty przy różnych długościach fal światła. Różne długości fal ujawniają tekst niewidoczny w standardowym białym świetle. W przypadku dokumentów kolorowych o znacznym stopniu degradacji obrazowanie wielospektralne może być jedyną realną metodą przechwytywania.
Podejście wielospektralne Scanned PDF jest stosowane w głównych archiwach w przypadku dokumentów odpornych na standardową digitalizację.
Budowanie kolekcji referencyjnej problematycznych typów dokumentów
Utrzymuj zbiór przykładowych dokumentów, które reprezentują typowe wyzwania związane z OCR. Przetestuj nowe techniki wstępnego przetwarzania w oparciu o tę kolekcję referencyjną przed zastosowaniem ich w dokumentach produkcyjnych.
Zbiór referencyjny Jakość PDF stanowi spójny punkt odniesienia dla poprawy dokładności OCR w czasie.