Gazety i czasopisma układają tekst w wielu kolumnach wijących się po stronie. Historia zaczyna się w lewym górnym rogu, kontynuuje w dół pierwszej kolumny, przeskakuje na górę drugiej kolumny, kontynuuje w dół i może ponownie przeskoczyć na stronę siódmą. Silniki OCR przeszkolone w zakresie dokumentów jednokolumnowych mają problemy z tym układem. Silnik czyta całą stronę, przechwytując tekst z pierwszej i drugiej kolumny tak, jakby były pojedynczą linią. Wynikiem jest pomieszany bałagan, w którym zdania z różnych kolumn są przeplatane.
Funkcja OCR w przypadku układów wielokolumnowych wymaga, aby silnik wykrywał granice kolumn przed rozpoznaniem tekstu. Strona podzielona jest na strefy. Każda strefa jest przetwarzana niezależnie. Tekst z każdej strefy jest składany w odpowiedniej kolejności czytania. Wynik jest odczytywany poprawnie, ponieważ każda kolumna była traktowana jako oddzielny obszar tekstowy.
Wyzwaniem OCR PDF w przypadku układów wielokolumnowych nie jest rozpoznawanie znaków. Jest to wykrywanie stref. Rozpoznawanie postaci jest łatwą częścią. Najtrudniej jest wiedzieć, które postacie pasują do siebie.
Metody wykrywania stref
| Metoda | Jak to działa | Najlepsze dla |
|---|---|---|
| Automatyczne wykrywanie strefy | Silnik OCR analizuje wzorce białych znaków, aby zidentyfikować odstępy między kolumnami i bloki tekstu | Czyste układy ze stałą szerokością kolumn i przejrzystymi rynnami |
| Ręczne rysowanie stref | Użytkownik rysuje prostokąty wokół każdej kolumny przed przetwarzaniem OCR | Złożone układy z nieregularnymi kolumnami, obrazami lub reklamami |
| Specyfikacja kolejności czytania | Użytkownik określa kolejność, w jakiej mają być odczytywane wejścia po wykryciu | Dokumenty, w których naturalny przepływ kolumn nie przebiega od góry do dołu, od lewej do prawej |
Wykonywanie wielokolumnowego OCR
Prześlij plik PDF do narzędzia OCR obsługującego przetwarzanie oparte na strefach. Jeżeli narzędzie oferuje automatyczne wykrywanie stref, uruchom je i przejrzyj wykryte strefy. Dostosuj ręcznie wszystkie błędnie zidentyfikowane strefy. Określ kolejność czytania. Uruchom OCR. Dane wyjściowe zachowują strukturę kolumn.
WukongPDF Narzędzia OCR przetwarzają zeskanowane dokumenty. Przetwarzanie wielokolumnowe Skanowany PDF tworzy tekst we właściwej kolejności czytania.
Weryfikacja kolejności czytania
Po OCR przeczytaj przykładowy akapit obejmujący granice kolumn w oryginale. Dane wyjściowe OCR powinny prawidłowo przepływać od dołu jednej kolumny do góry następnej. Jeśli zdania są podzielone na granicach kolumn lub tekst z różnych kolumn jest pomieszany, oznacza to, że wykrywanie strefy lub kolejność odczytu były nieprawidłowe.
Weryfikacja kolejności odczytu w formacie PDF potwierdza, że wynik OCR odpowiada zamierzonej sekwencji czytania oryginalnego układu.
Obsługa mieszanych stron jedno- i wielokolumnowych
Artykuł w czasopiśmie może zaczynać się od jednokolumnowego nagłówka, następnie zmieniać się w trzykolumnową treść i kończyć się jednokolumnowym podsumowaniem. Wykrywanie strefy OCR musi poprawnie obsługiwać te przejścia. Każda sekcja strony otrzymuje odpowiednią konfigurację strefy.
Obsługa mieszanego układu OCR PDF wymaga wykrywania strefy według sekcji, a nie dla strony.
Przed uruchomieniem OCR całego dokumentu sprawdź wykrywanie stref na każdym typie strony.
Zachowywanie kolejności odczytu dla czytników ekranu
Kolejność odczytu danych wyjściowych OCR określa sposób, w jaki czytniki ekranu poruszają się po dokumencie. Prawidłowa kolejność odczytu oznacza, że czytnik ekranu czyta kolumnę pierwszą od góry do dołu, a następnie kolumnę drugą od góry do dołu. Nieprawidłowa kolejność odczytu oznacza, że czyta w poprzek kolumn, dając niezrozumiały wynik.
Specyfikacja kolejności odczytu Skanowanego pliku PDF pod kątem dostępności gwarantuje, że wynik OCR będzie nadawał się do wykorzystania przy użyciu technologii wspomagających.
Po OCR przetestuj dokument za pomocą czytnika ekranu. Test ujawnia błędy w kolejności odczytu, które przeocza kontrola wzrokowa.
OCR dla dokumentów zawierających obrazy osadzone w kolumnach
Obrazy w kolumnach przerywają przepływ tekstu. Silnik OCR musi rozpoznać granicę obrazu i traktować tekst powyżej i poniżej jako część tej samej kolumny, a nie jako oddzielne bloki tekstu.
Rozdzielenie obrazu i tekstu w formacie PDF podczas wielokolumnowego OCR wymaga, aby silnik rozpoznał, że obrazy nie są tekstem i nie powinny zakłócać przepływu kolumn.
Ręcznie przeglądaj strony z osadzonymi obrazami. Automatyczne wykrywanie stref może zakończyć się niepowodzeniem na granicach obrazu.
Tworzenie szablonu strefy dla powtarzających się formatów publikacji
Jeśli regularnie OCRujesz ten sam format publikacji, utwórz szablon strefy. Szablon definiuje pozycje kolumn, obszary obrazu i kolejność czytania dla tego konkretnego układu. Zastosuj szablon do każdego nowego numeru.
Szablon strefy OCR PDF dla publikacji cyklicznych eliminuje potrzebę ponownej konfiguracji wykrywania strefy dla każdego dokumentu.
Zaktualizuj szablon, gdy publikacja zmieni swój układ. Szablon, który był poprawny dla formatu z zeszłego roku, może być nieprawidłowy w tym roku.
Radzenie sobie ze zmianami szerokości kolumn
Niektóre układy różnią się szerokością kolumn w zależności od strony. Strona z trzema kolumnami, po której następuje strona z dwiema kolumnami. Wykrywanie strefy musi dostosować się do każdej strony indywidualnie.
Wykrywanie strefy OCR PDF na stronę obsługuje układy, w których zmienia się konfiguracja kolumn.
Używanie wyników OCR do rekonstrukcji granic oryginalnego artykułu
Po OCR użyj rozpoznanego tekstu, aby zidentyfikować granice artykułu. Nagłówki, nagłówki i znaczniki kontynuacji wskazują, gdzie zaczynają się i kończą artykuły.
Wykrywanie granic artykułów zeskanowanego pliku PDF na podstawie danych wyjściowych OCR umożliwia podzielenie dokumentu na poszczególne artykuły.