A precisão do OCR cai significativamente em documentos com fundos coloridos. Um formulário impresso em papel azul claro. Um certificado de estoque de creme. Uma placa com texto vermelho sobre fundo amarelo. Uma brochura com texto sobreposto a fotografias. O mecanismo de OCR espera texto preto sobre fundo branco. Quando o fundo tem cor, o contraste entre o texto e o fundo diminui. As bordas dos personagens ficam desfocadas no fundo. A precisão do reconhecimento cai. Entender por que os fundos coloridos prejudicam a precisão do OCR ajuda a aplicar as correções corretas antes do processamento.
A cor do fundo afeta o OCR através da redução de contraste, confusão de canais de cores e erros de detecção de limite. Cada mecanismo reduz a precisão de uma maneira diferente. As correções abordam cada mecanismo especificamente.
A precisão do OCR PDF em fundos coloridos pode ser melhorada através do pré-processamento de imagem que normaliza o fundo antes do reconhecimento.
Como os fundos coloridos afetam o OCR
Os mecanismos de OCR convertem imagens coloridas em preto e branco por meio de um processo chamado limiar. Cada pixel é classificado como texto, que fica preto, ou fundo, que fica branco. Em um fundo colorido, os pixels que fazem parte do fundo podem ter valores de escuridão semelhantes aos pixels do texto, especialmente se o fundo for de cor escura ou se o texto for de cor clara. O algoritmo de limiar comete erros, classificando os pixels de fundo como texto ou os pixels de texto como fundo.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Pré-processamento para melhorar a precisão
Converta a imagem em tons de cinza primeiro. Em seguida, aplique o limiar adaptativo, que utiliza diferentes valores de limiar para diferentes regiões da imagem, em vez de um limiar global. O método adaptativo lida melhor com cores de fundo variadas do que com limite global.
WukongPDF OCR processa documentos digitalizados. O pré-processamento PDF digitalizado para fundos coloridos deve ser aplicado antes que o mecanismo de OCR receba as imagens.
Quando aceitar menor precisão
Para alguns documentos com fundo colorido, não é possível obter um OCR perfeito. Aceite uma precisão de 90-95 por cento e planeje a correção manual. O tempo gasto tentando atingir 99% de precisão em um documento difícil pode exceder o tempo necessário para corrigir manualmente a saída de 95%.
O papel da taxa de contraste na precisão do OCR
A precisão do OCR está diretamente correlacionada com a taxa de contraste entre o texto e o fundo. O texto preto sobre branco tem contraste máximo. O texto azul em azul claro tem baixo contraste. O mecanismo de OCR precisa de uma taxa de contraste mínima para distinguir com segurança as bordas dos caracteres.
O requisito de contraste do OCR PDF explica por que fundos coloridos reduzem a precisão. A solução é aumentar o contraste por meio do pré-processamento.
Usando separação de canais de cores para melhores resultados
Se o texto e o plano de fundo diferirem principalmente em um canal de cor, separe esse canal para OCR. O texto vermelho sobre um fundo verde pode ser quase invisível na escala de cinza, mas claramente separado no canal vermelho.
A técnica de separação de canais de cores PDF digitalizado melhora o OCR em documentos onde as cores do texto e do fundo são diferentes.
Quando a nova digitalização é a melhor solução
Se o documento original em papel estiver disponível, a nova digitalização em escala de cinza ou preto e branco com alto contraste produz resultados de OCR muito melhores do que tentar corrigir uma digitalização em cores de baixa qualidade.
A opção de nova digitalização com qualidade de PDF é a solução mais eficaz para problemas de OCR com fundo colorido quando o original está acessível.
A física da luz, cor e reconhecimento de caracteres
OCR funciona detectando bordas onde os pixels claros e escuros se encontram. Num fundo colorido, o contraste da borda é reduzido. O mecanismo de OCR deve distinguir entre a borda do caractere e a transição da cor de fundo. Menor contraste significa mais erros de detecção de bordas.
A física do contraste do OCR PDF explica por que o pré-processamento que maximiza o contraste melhora a precisão. A conversão em escala de cinza e o limiar adaptativo são técnicas de aprimoramento de contraste.
Para obter os melhores resultados de OCR em documentos coloridos, digitalize em escala de cinza com alto contraste em vez de em cores. O scanner pode capturar mais contraste do que o olho humano pode ver.
Como diferentes combinações de cores afetam a precisão de maneira diferente
Texto escuro em fundos de cores claras tem melhor desempenho do que texto claro em fundos escuros. Preto em azul claro pode fazer OCR com precisão de 95%. Amarelo sobre branco pode ter OCR de 50% ou menos. A combinação específica de cores determina a perda de precisão.
A análise de combinação de cores PDF digitalizado ajuda a prever quais documentos precisarão de mais pré-processamento e correção manual.
Teste o OCR em uma amostra de cada combinação de cores do seu conjunto de documentos. Use os resultados para priorizar o esforço de pré-processamento nas combinações com menor precisão.
Usando mecanismos de OCR de aprendizado de máquina para documentos coloridos
Os mecanismos de OCR de rede neural treinados em diversos tipos de documentos lidam melhor com fundos coloridos do que os mecanismos tradicionais de correspondência de padrões. A rede neural aprendeu a reconhecer caracteres em condições de baixo contraste e cores variadas.
A escolha do mecanismo OCR PDF afeta significativamente a precisão em documentos coloridos. Se o OCR tradicional produzir resultados ruins, tente um mecanismo neural.
O tempo de processamento do OCR neural normalmente é maior que o do OCR tradicional. A melhoria da precisão em documentos coloridos justifica o tempo adicional.
Criando um fluxo de trabalho de pré-processamento para conjuntos de documentos com cores misturadas
Um conjunto de documentos pode conter páginas com fundos brancos, fundos coloridos e fundos de imagem. Processe cada tipo de página com as configurações ideais para esse tipo. Uma única configuração de pré-processamento aplicada a todas as páginas será errada para algumas.
O fluxo de trabalho de pré-processamento de cores mistas com qualidade de PDF usa análise página por página ou seção por seção para aplicar as configurações corretas a cada tipo de conteúdo.
Documente as configurações de pré-processamento para cada tipo de página. A documentação permite o processamento consistente de futuros conjuntos de documentos com características semelhantes.
Quando aceitar menor precisão e orçamento para correção manual
Para alguns documentos, o esforço para obter alta precisão de OCR excede o esforço para corrigir manualmente resultados de baixa precisão. Um documento de 500 páginas com OCR com precisão de 85% pode levar 10 horas para ser corrigido manualmente, mas 20 horas de experimentação de pré-processamento para atingir 95%.
A análise de custo-benefício das Ferramentas PDF para precisão do OCR considera tanto o tempo de processamento automatizado quanto o tempo de correção manual. Escolha o caminho que minimiza o tempo total.
Usando análise de histograma para diagnosticar problemas de contraste
Um histograma de imagem mostra a distribuição dos valores de brilho dos pixels. Um histograma com dois picos distintos indica um bom contraste entre o texto e o fundo. Um histograma com um único pico amplo indica baixo contraste.
A análise do histograma OCR PDF quantifica o problema de contraste antes do início do pré-processamento.
O efeito da textura do papel na precisão do OCR
Papel texturizado, como linho ou papel vergado, cria ruído de fundo que os mecanismos de OCR interpretam como texto. A textura adiciona bordas falsas que confundem o reconhecimento de caracteres. A suavização da imagem reduz o ruído da textura, mas também pode suavizar as bordas dos caracteres.
O desafio da textura do papel PDF digitalizado é mais comum com documentos históricos digitalizados a partir do papel original, em vez de reproduções impressas.
Quando usar a transcrição manual em vez do OCR
Para documentos com graves problemas de cor e contraste, a transcrição manual pode ser mais econômica do que o pré-processamento e a correção extensivos. Um transcritor humano pode ler textos que nenhum mecanismo de OCR consegue reconhecer.
O ponto de decisão da transcrição manual Qualidade PDF é alcançado quando o tempo de correção por página para saída de OCR excede o tempo de transcrição por página.
O impacto da calibração do scanner na precisão das cores
Um scanner não calibrado introduz mudanças de cores que reduzem a precisão do OCR. Calibre o scanner antes de digitalizar documentos coloridos. Use um alvo colorido para verificar a calibração.
A etapa de calibração do scanner OCR PDF garante que a imagem digital represente com precisão as cores do documento original.
Usando imagens multiespectrais para documentos difíceis
A imagem multiespectral captura documentos em vários comprimentos de onda de luz. Diferentes comprimentos de onda revelam texto que é invisível na luz branca padrão. Para documentos coloridos gravemente degradados, a imagem multiespectral pode ser o único método de captura viável.
A abordagem multiespectral PDF digitalizado é usada pelos principais arquivos para documentos que resistem à digitalização padrão.
Construindo uma coleção de referência de tipos de documentos problemáticos
Mantenha uma coleção de exemplos de documentos que representam desafios comuns de OCR. Teste novas técnicas de pré-processamento nesta coleção de referência antes de aplicá-las aos documentos de produção.
A coleção de referências Qualidade PDF fornece uma referência consistente para melhoria da precisão do OCR ao longo do tempo.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.