Um contrato assinado é digitalizado para PDF. A assinatura na parte inferior da página faz parte da imagem da página, assim como o texto impresso acima dela. Quando você executa o OCR neste documento digitalizado, o mecanismo de OCR processa a página inteira. Ele reconhece o texto impresso e o adiciona à camada de texto pesquisável. Ele também encontra a assinatura manuscrita. O mecanismo não sabe que a assinatura não é texto. Ele tenta reconhecer os loops, curvas e traços como caracteres. O resultado é algo sem sentido na camada de texto: letras aleatórias, símbolos e pontos de interrogação incorporados no documento onde a assinatura aparece.
OCR em documentos digitalizados contendo assinaturas exige o tratamento das assinaturas como elementos não textuais. O mecanismo de OCR deve ignorar totalmente a área de assinatura ou reconhecê-la como uma imagem e ignorá-la. Este guia aborda como evitar que as assinaturas sejam mal interpretadas como texto e como limpar a saída do OCR quando as assinaturas já tiverem sido processadas.
O desafio do OCR PDF com assinaturas é que elas ocupam um espaço visual na página que o mecanismo de OCR tentará interpretar. Evitar isso requer pré-processamento ou OCR seletivo.
Métodos para lidar com assinaturas durante o OCR
| Método | Como funciona | Melhor para |
|---|---|---|
| OCR seletivo com exclusão de assinatura | Defina zonas de OCR que excluam a área de assinatura. A assinatura não é processada. Apenas as áreas de texto são reconhecidas | Documentos onde a localização da assinatura é previsível, normalmente na parte inferior da última página |
| Limpeza de assinatura pós-OCR | Execute o OCR em toda a página. Após o processamento, pesquise e exclua o texto sem sentido que a assinatura gerou | Documentos que já foram submetidos a OCR ou onde a exclusão baseada em zona não está disponível |
| Pré-processamento de imagem para mascarar assinaturas | Antes do OCR, pinte digitalmente a área da assinatura com branco. O mecanismo de OCR vê um espaço em branco e não produz texto | Documentos onde a exclusão de assinatura é crítica e a limpeza pós-processamento é insuficiente |
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Limpando artefatos de OCR de assinatura
Se o OCR já tiver processado a assinatura, pesquise o texto reconhecido na área de assinatura. Procure grupos de caracteres aleatórios, sequências de caracteres incomuns ou texto que não forme palavras. Exclua esses fragmentos. A área de assinatura na camada de texto deve estar vazia. A assinatura visual permanece na imagem da página. A camada de texto deve conter apenas o texto real do documento.
WukongPDF As ferramentas de OCR processam documentos digitalizados. O PDF digitalizado com assinaturas deve ser revisado após o OCR para remover artefatos de assinatura da camada de texto.
Verificando a saída de OCR limpa
Após a limpeza, pesquise no documento artefatos comuns de OCR de assinaturas: letras maiúsculas aleatórias em sequência, caracteres repetidos ou sequências de sinais de pontuação. Se a pesquisa encontrar algum, revise-o e remova-o. A camada de texto deve conter apenas o conteúdo do documento. A área de assinatura Sign PDF não deve contribuir em nada para o texto pesquisável.
Um documento devidamente OCR com exclusão de assinatura possui uma camada de texto limpa. O conteúdo impresso é pesquisável. A assinatura é visível, mas não representada no texto. Este é o comportamento correto.
Usando a seleção de zona OCR para excluir assinaturas
Algumas ferramentas de OCR permitem desenhar retângulos ao redor de áreas de texto antes do processamento. O mecanismo de OCR processa apenas as áreas dentro dos retângulos. Desenhe retângulos ao redor de todo o conteúdo do texto e deixe a área de assinatura desmarcada. A assinatura é totalmente excluída do OCR.
A abordagem baseada em zonas OCR PDF é o método mais confiável para exclusão de assinaturas. A área de assinatura nunca é submetida ao mecanismo de reconhecimento.
Treinamento de mecanismos de OCR para reconhecer padrões de assinatura
Sistemas avançados de OCR podem ser treinados para identificar padrões semelhantes a assinaturas e ignorá-los automaticamente. O treinamento envolve marcar exemplos de assinaturas em documentos de amostra. O mecanismo aprende as características visuais das assinaturas e exclui padrões semelhantes de futuras execuções de OCR.
A abordagem de aprendizado de máquina PDF digitalizado para exclusão de assinaturas melhora com o tempo. Cada documento processado fornece dados de treinamento para o próximo.
Usando a edição de imagens para pré-limpar áreas de assinatura
Antes do OCR, abra a página digitalizada em um editor de imagens. Pinte a área da assinatura com branco usando uma ferramenta pincel. Salve a imagem limpa. Execute o OCR na imagem limpa. A área de assinatura agora está em branco e não produz artefatos de OCR. Este método é mais confiável do que a exclusão baseada em zona porque remove fisicamente os pixels de assinatura.
A abordagem de pré-limpeza PDF digitalizado garante a exclusão de assinaturas. A assinatura é removida da imagem antes que o OCR a veja. Não há nada que o mecanismo de OCR possa interpretar mal.
Comparando a saída de OCR com e sem exclusão de assinatura
Execute o OCR na mesma página duas vezes: uma vez com exclusão de assinatura e outra sem. Compare a saída do texto. A versão sem exclusão terá caracteres ilegíveis na área de assinatura. A versão com exclusão será limpa. A comparação demonstra a importância do tratamento de assinaturas e identifica quaisquer outras áreas onde o mecanismo de OCR teve dificuldades.
O método de comparação OCR PDF é um diagnóstico de qualidade. Ele revela não apenas os artefatos de assinatura, mas também outros problemas de reconhecimento que, de outra forma, poderiam passar despercebidos.
Automatizando a detecção de assinaturas para processamento em lote
Para grandes lotes de documentos assinados, a exclusão manual da assinatura por página é impraticável. Use scripts de processamento de imagem que detectem padrões semelhantes a assinaturas com base na densidade de pixels, largura do traço e posição na página e mascarem-nos automaticamente antes do OCR. A automação lida com o trabalho repetitivo de identificação e mascaramento de assinaturas.
A exclusão de assinaturas em lote de formulários PDF por meio de automação é apropriada para processamento de documentos de alto volume, onde os métodos manuais não podem ser dimensionados.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.