Skanujesz dokument z subtelnym niebieskim tłem, kolorowy formularz lub wydrukowany certyfikat na przyciemnianym papierze. Na twoje oko skan wygląda dobrze. Tekst jest wyraźnie ciemniejszy niż tło. Uruchamiasz na nim OCR, spodziewając się tekstu, który można przeszukiwać, a wynik jest bełkotliwy. Losowe znaki, sklejone słowa, litery, które nie tworzą żadnego rozpoznawalnego języka. Kolor tła, który Twoje oczy łatwo odfiltrowują, dezorientuje silnik OCR w sposób, który nie jest oczywisty, patrząc na skan.
Silniki OCR działają na zasadzie wykrywania kontrastu między pierwszym planem a tłem. Gdy tło ma kolor, nawet jasny odcień, zmniejsza to efektywny kontrast i wprowadza szum do procesu binaryzacji, będącego pierwszym krytycznym krokiem, w którym silnik OCR decyduje, które piksele są tekstem, a które tłem. Test porównawczy przeprowadzony w 2025 r. przez Uniwersytet w Nevadzie wykazał, że dokładność rozpoznawania OCR na dokumentach z kolorowym tłem spadła średnio o 23 punkty procentowe w porównaniu z tym samym dokumentem na białym papierze (UNLV, „ISRI OCR Accuracy Metrics”, 2025). Ten spadek dokładności przekłada się bezpośrednio na większą liczbę ręcznych poprawek, więcej pominiętych wyszukiwanych haseł i mniej użyteczny tekst cyfrowy.
Problem binaryzacji: gdzie najpierw pojawia się błąd OCR
Zanim jakikolwiek silnik OCR PDF będzie mógł rozpoznać znak, musi przekonwertować obraz kolorowy lub w skali szarości na czystą czarno-białą reprezentację w procesie zwanym binaryzacją. Każdy piksel na zeskanowanym obrazie jest klasyfikowany jako pierwszy plan (tekst ustawiony na czarny) lub tło (ustawiony na biały). Następnie silnik analizuje wzory czarno-białych pikseli, aby zidentyfikować poszczególne znaki. Jeśli na etapie binaryzacji wystąpią błędy, wszystko, co nastąpi po nich, opiera się na tych błędach i żadna ilość sprytnego rozpoznawania znaków nie jest w stanie odzyskać po zasadniczo uszkodzonych danych wejściowych.
Gdy dokument ma kolorowe tło, algorytm binaryzacji staje przed trudną decyzją dotyczącą progu. Na białej stronie piksele tekstu mogą mieć wartości 0–80 w skali ciemności 0–255, podczas gdy piksele tła mogą mieć wartości 200–255. Różnica między tekstem a tłem jest duża, a próg można łatwo ustawić z dużą pewnością. Na stronie zabarwionej na niebiesko piksele tekstu mogą mieć wielkość od 0 do 100, a piksele tła od 140 do 180. Różnica jest węższa, a algorytm musi dokonywać dokładniejszych rozróżnień. W obszarach, w których kolor tła nieznacznie się różni, jak ma to miejsce w przypadku prawie wszystkich drukowanych kolorowych teł, próg może przekroczyć i rozpocząć klasyfikację pikseli tła jako tekstu, tworząc znaki pozorne i łącząc rzeczywiste.
Globalne metody progowania, które stosują pojedynczą wartość odcięcia dla całego obrazu, są szczególnie wrażliwe na kolorowe tła. Metody te polegają na analizie ogólnego histogramu jasności obrazu i wybraniu progu oddzielającego dwa dominujące wartości szczytowe reprezentujące tekst i tło. Kolorowe tło wprowadza trzeci szczyt na histogramie, dezorientując algorytm i często skutkując tym, że próg jest albo zbyt agresywny, usuwając cienkie części znaków, takie jak szeryfy i poprzeczki, albo zbyt konserwatywny, pozostawiając szum tła, który etap rozpoznawania następnie próbuje zinterpretować jako tekst.
Praktyczną konsekwencją niepowodzenia binaryzacji jest to, że silnik OCR otrzymuje uszkodzone dane wejściowe. Znaki, które powinny być czystymi, czarnymi kształtami na białym tle, są zamiast tego przerywane, łączone lub otoczone szumem. Etap rozpoznawania stara się, jak może, korzystając z tych zdegradowanych danych wejściowych, dopasowując częściowe kształty do modeli znaków, ale poziom błędów szybko rośnie wraz ze spadkiem jakości binaryzacji. To, co użytkownik postrzega jako bełkot, to skumulowany efekt błędów wprowadzonych na pierwszym etapie przetwarzania i wzmocnionych na każdym kolejnym etapie.
Określone kolory tła i dlaczego powodują najwięcej problemów
Nie wszystkie kolory tła wpływają jednakowo na OCR. Żółte tło powoduje najwięcej problemów, szczególnie w przypadku starszych lub prostszych silników OCR. Powodem jest to, że żółty ma wysoką luminancję, co oznacza, że w aparacie lub skanerze wydaje się jasny, ale po konwersji w skali szarości rejestruje się bliżej bieli, niż można by się spodziewać. Tekst na żółtym tle może wyglądać na wyraźny, ale prawie niewidoczny po konwersji na skalę szarości, czyli w ten sposób większość silników OCR najpierw przetwarza obraz. Ludzki układ wzrokowy doskonale odfiltrowuje żółte odcienie, ale algorytmy widzenia komputerowego nie mają tej biologicznej przewagi.
Ludzkie oko bez wysiłku odfiltrowuje kolor tła, ale oprogramowanie tego nie robi.
Niebieskie i zielone tło stwarzają powiązany, ale odrębny problem. Kolory te dobrze oddzielają się od czarnego tekstu pod względem luminancji, ale nie w poszczególnych kanałach czujnika czerwonego, zielonego i niebieskiego używanych przez skanery i aparaty fotograficzne. Niebieski kanał skanera silnie oddaje niebieskie tło, zmniejszając kontrast z czarnym tekstem w tym kanale. Silnik OCR, który często działa na pojedynczym kanale lub określonej ważonej kombinacji kanałów, może uzyskać obraz o niższym kontraście, niż oczekiwano.
W przypadku Zeskanowanych dokumentów PDF wymagających OCR, o ostatecznym wyniku decyduje jakość wstępnego przetwarzania. WukongPDF stosuje binaryzację adaptacyjną podczas przetwarzania OCR, która dostosowuje próg lokalnie w oparciu o charakterystykę każdego małego obszaru strony, zamiast używać jednego progu globalnego. Podejście to obsługuje kolorowe tła w sposób bardziej niezawodny niż tradycyjne metody ze stałym progiem.
Czerwone i różowe tła wprowadzają kolejne wyzwanie. Kolor czerwony ma niższą luminancję niż żółty, dlatego w skali szarości przekształca się w ciemniejszą szarość. W rezultacie czerwone tło powoduje mniejsze oddzielenie tekstu od tła na obrazie w skali szarości. Silnik OCR przetwarzający dokument w kolorze czerwonym może traktować tło jako pierwszy plan w ciemniejszych obszarach, tworząc ciemne plamy na binarnym wyjściu, które etap rozpoznawania tekstu próbuje następnie zinterpretować jako zniekształcone znaki. W formularzach rządowych, dokumentach przyjęcia do szpitala i świadectwach edukacyjnych często używa się kolorowego papieru lub przyciemnionego tła, co stanowi praktyczny problem w służbie zdrowia, edukacji i administracji publicznej.
Tła gradientowe i papier wzorzysty
Tła gradientowe, w których intensywność kolorów zmienia się na całej stronie, stanowią jeszcze większe wyzwanie niż tła w jednolitym kolorze. Paragon, który przechodzi z ciemnego u góry do jasnego u dołu, certyfikat z ozdobną ramką, która stopniowo zanika do wewnątrz, czy formularz z kolorowym nagłówkiem przechodzącym w biały, tworzą obszary, w których różni się optymalny próg binaryzacji. Silnik OCR korzystający z jednego globalnego progu prawidłowo binaryzuje jedną część strony, a nie działa w innej, tworząc na tej samej stronie wynik naprzemiennie czystym tekstem i bełkotem.
Wzorzyste tła, takie jak wzory zabezpieczeń na czekach, tekstury papieru ze znakami wodnymi lub wzory igłowe na niektórych formularzach rządowych, stanowią najgorszy scenariusz dla OCR. Wzorzec tworzy regularną, powtarzającą się teksturę, którą silnik OCR może pomylić z elementami tekstowymi. Silnik może próbować rozpoznać kropki wzoru jako kropki lub linie wzoru jako litery. Wynik łączy rzeczywisty tekst z artefaktami wzorców, tworząc wynik, w którym prawdziwe słowa przeplatają się z przypadkowymi znakami interpunkcyjnymi i krótkimi sekwencjami znaków, które wyglądają, jakby mogły być słowami, ale nimi nie są.
Wzorce tła również wchodzą w interakcję z tekstem w podstępny sposób, który trudno przewidzieć bez przetestowania konkretnego dokumentu. Ukośny wzór linii za tekstem może łączyć sąsiednie znaki na binarnym obrazie, powodując, że silnik OCR będzie postrzegał dwie lub trzy litery jako pojedynczy glif. Wzór kropek może wypełnić liczniki liter, takich jak o, e i a, czyniąc je nie do odróżnienia od pełnych plam. Interakcje te zależą od konkretnej kombinacji częstotliwości wzorców, rozmiaru tekstu i projektu czcionki, dlatego też dwa dokumenty z podobnie wyglądającym tłem mogą dawać radykalnie różne wyniki OCR.
Techniki wstępnego przetwarzania, które naprawiają OCR z kolorowym tłem
Kilka etapów wstępnego przetwarzania może radykalnie poprawić Jakość PDF dla OCR na kolorowych tłach. Najskuteczniejsze jest progowanie adaptacyjne, które oblicza inny próg binaryzacji dla każdego małego sąsiedztwa pikseli, zamiast stosować jeden próg dla całej strony. Metody adaptacyjne pozwalają zachować kontrast tekstu w ciemnych obszarach tła, jednocześnie prawidłowo eliminując tło w jaśniejszych obszarach, a wszystko to w ramach tego samego obrazu.
Wybór kanału koloru to kolejna potężna technika. Badając zeskanowany obraz w jego poszczególnych kanałach: czerwonym, zielonym i niebieskim, często można znaleźć jeden kanał, w którym kontrast między tekstem a tłem jest znacznie większy niż w przypadku obrazu pełnokolorowego lub konwersji w skali szarości. W przypadku niebieskiego tła kanał czerwony zazwyczaj wykazuje najlepszy kontrast, ponieważ niebieskie tła wydają się ciemne w kanale czerwonym, zwiększając separację od czarnego tekstu. Wypróbowanie tej techniki nic nie kosztuje, a może przynieść radykalne ulepszenia.
Trzecia technika, odejmowanie tła, polega na oszacowaniu, jak wyglądałoby tło bez tekstu, a następnie odjęciu go od obrazu, pozostawiając jedynie tekst na jednolitym białym tle. To podejście sprawdza się dobrze w przypadku dokumentów, których tło ma jednolity kolor, który zmienia się stopniowo, np. przyciemniany papier lub lekko kolorowe formularze. W przypadku dokumentów o złożonym lub szybko zmieniającym się tle odejmowanie tła jest mniej skuteczne i może powodować powstawanie własnych artefaktów.
Nowoczesne przetwarzanie wstępne oparte na sztucznej inteligencji stanowi granicę poprawy jakości OCR. Sieci neuronowe wyszkolone na milionach obrazów dokumentów mogą nauczyć się oddzielać tekst od złożonego tła w sposób, któremu nie mogą sprostać podejścia algorytmiczne. Te preprocesory AI radzą sobie z pełną gamą kolorów tła, wzorów i gradientów, tworząc czyste binarne dane wyjściowe nawet z dokumentów, które pokonują tradycyjne metody. Od 2025 r. wstępne przetwarzanie AI jest dostępne na kilku komercyjnych platformach OCR i staje się funkcją standardową, a nie dodatkiem premium.
Kiedy zrezygnować z OCR i zastosować alternatywne metody
Niektóre dokumenty z kolorowym tłem nigdy nie będą dobrze rozpoznawane podczas rozpoznawania OCR, niezależnie od stopnia wstępnego przetwarzania. Dokumenty wydrukowane na ciemnym papierze z jasnym tekstem, dokumenty z tuszem metalicznym lub odblaskowym oraz dokumenty, w których sam tekst jest wykonany tuszem kolorowym, a nie czarnym, są szczególnie odporne na automatyczne rozpoznawanie tekstu. W takich przypadkach ręczna transkrypcja lub podejście hybrydowe, OCR, co możesz i wpisz resztę, jest często bardziej efektywne czasowo niż dalsza optymalizacja potoku OCR.
W przypadku kluczowych dokumentów, które muszą zostać dokładnie zdigitalizowane, należy rozważyć, czy oryginalny cyfrowy plik źródłowy gdzieś istnieje. Plik PDF utworzony na podstawie dokumentu programu Word zachowuje oryginalne dane tekstowe, nawet jeśli renderowanie wizualne ma kolorowe tło. Jeśli możesz uzyskać plik źródłowy zamiast skanu wersji drukowanej, całkowicie pomijasz problem OCR. Nie zawsze jest to możliwe, szczególnie w przypadku starszych dokumentów, ale warto to sprawdzić, zanim zainwestujesz godziny w optymalizację OCR.