Jornais e revistas organizam o texto em várias colunas que serpenteiam pela página. Uma história começa no canto superior esquerdo, continua na primeira coluna, salta para o topo da segunda coluna, continua para baixo e pode pular novamente para a página sete. Mecanismos de OCR treinados em documentos de coluna única enfrentam dificuldades com esse layout. O mecanismo lê a página, capturando o texto da coluna um e da coluna dois como se fossem uma única linha. A saída é uma bagunça onde frases de colunas diferentes são intercaladas.
OCR para layouts de múltiplas colunas exige que o mecanismo detecte os limites das colunas antes de reconhecer o texto. A página está dividida em zonas. Cada zona é processada de forma independente. O texto de cada zona é montado na ordem correta de leitura. O resultado foi lido corretamente porque cada coluna foi tratada como uma região de texto separada.
O desafio do OCR PDF com layouts de múltiplas colunas não é o reconhecimento de caracteres. É detecção de zona. Reconhecer os personagens é a parte fácil. Saber quais personagens pertencem um ao outro é a parte difícil.
Métodos de detecção de zona
| Método | Como funciona | Melhor para |
|---|---|---|
| Detecção automática de zona | O mecanismo de OCR analisa padrões de espaço em branco para identificar medianizes de colunas e blocos de texto | Layouts limpos com larguras de coluna consistentes e calhas claras |
| Desenho de zona manual | O usuário desenha retângulos ao redor de cada coluna antes do processamento do OCR | Layouts complexos com colunas, imagens ou anúncios irregulares |
| Especificação da ordem de leitura | O usuário especifica a sequência em que as zonas devem ser lidas após a detecção | Documentos onde o fluxo natural da coluna não é de cima para baixo, da esquerda para a direita |
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Executando OCR de múltiplas colunas
Carregue o PDF em uma ferramenta de OCR que suporte processamento baseado em zona. Se a ferramenta oferecer detecção automática de zona, execute-a e revise as zonas detectadas. Ajuste manualmente quaisquer zonas identificadas incorretamente. Especifique a ordem de leitura. Execute o OCR. A saída preserva a estrutura da coluna.
WukongPDF As ferramentas de OCR processam documentos digitalizados. O processamento de múltiplas colunas PDF digitalizado produz texto na ordem de leitura correta.
Verificando a ordem de leitura
Após o OCR, leia um exemplo de parágrafo que ultrapassa os limites das colunas no original. A saída do OCR deve fluir corretamente da parte inferior de uma coluna para o topo da próxima. Se as frases forem quebradas nos limites das colunas ou o texto de colunas diferentes for misturado, a detecção da zona ou a ordem de leitura estavam incorretas.
A verificação da ordem de leitura do formato PDF confirma que a saída do OCR corresponde à sequência de leitura pretendida do layout original.
Tratamento de páginas mistas de uma e várias colunas
Um artigo de revista pode começar com um título de coluna única, mudar para um corpo de texto de três colunas e terminar com um resumo de uma coluna. A detecção da zona OCR deve lidar corretamente com essas transições. Cada seção da página recebe a configuração de zona apropriada.
O manuseio de layout misto de OCR PDF requer detecção de zona por seção, não por página.
Revise a detecção de zona em cada tipo de página antes de executar o OCR em todo o documento.
Preservando a ordem de leitura para leitores de tela
A ordem de leitura de saída do OCR determina como os leitores de tela navegam no documento. Uma ordem de leitura correta significa que um leitor de tela lê a coluna um de cima para baixo e depois a coluna dois de cima para baixo. Uma ordem de leitura incorreta significa que ele lê colunas, produzindo uma saída incompreensível.
A especificação da ordem de leitura PDF digitalizado para acessibilidade garante que a saída do OCR seja utilizável por tecnologia assistiva.
Após o OCR, teste o documento com um leitor de tela. O teste revela erros de ordem de leitura que a inspeção visual não percebe.
OCR para documentos com imagens incorporadas em colunas
Imagens dentro de colunas interrompem o fluxo do texto. O mecanismo de OCR deve reconhecer o limite da imagem e tratar o texto acima e abaixo como parte da mesma coluna, e não como blocos de texto separados.
A separação imagem-texto do formato PDF durante o OCR de múltiplas colunas exige que o mecanismo reconheça que as imagens não são texto e não devem interromper o fluxo da coluna.
Revise manualmente as páginas com imagens incorporadas. A detecção automatizada de zona pode falhar nos limites da imagem.
Criando um modelo de zona para formatos de publicação recorrentes
Se você faz OCR no mesmo formato de publicação regularmente, crie um modelo de zona. O modelo define as posições das colunas, áreas de imagem e ordem de leitura para esse layout específico. Aplique o modelo a cada novo problema.
O modelo de zona OCR PDF para publicações recorrentes elimina a necessidade de reconfigurar a detecção de zona para cada documento.
Atualize o modelo quando a publicação alterar seu layout. Um modelo que estava correto para o formato do ano passado pode estar errado para este ano.
Lidando com variações de largura de coluna
Alguns layouts variam a largura das colunas de página para página. Uma página de três colunas seguida por uma página de duas colunas. A detecção de zona deve adaptar-se a cada página individualmente.
A detecção de zona por página do PDF OCR lida com layouts onde a configuração da coluna muda.
Usando saída de OCR para reconstruir os limites do artigo original
Após o OCR, use o texto reconhecido para identificar os limites do artigo. Títulos, assinaturas e marcadores de continuação indicam onde os artigos começam e terminam.
A detecção do limite do artigo PDF digitalizado a partir da saída OCR permite que o documento seja dividido em artigos individuais.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.