Сканирование низкого качества — это фотография документа, сделанная при плохом освещении, факс, который был распечатан и повторно отсканирован три раза, мятая страница старой книги или документ, снятый камерой телефона под углом. Текст есть. Читатель-человек сможет это понять. Но для системы оптического распознавания символов изображение представляет собой головоломку из сломанных символов, слитых букв и фонового шума, что делает распознавание ненадежным. Стандартные настройки оптического распознавания символов, которые отлично работают на чистых сканах с разрешением 300 точек на дюйм, приводят к искажению результатов на этих изображениях.
Для оптического распознавания символов при сканировании низкого качества требуется предварительная обработка изображения для очистки отсканированного изображения перед распознаванием, а также настройка параметров оптического распознавания символов, которые более устойчивы к изменениям символов. Улучшение происходит на этапе предварительной обработки. Чем лучше вводимые данные, тем лучше результат. Механизм OCR не может распознать то, что он не видит.
Согласно контрольному показателю Университета Невады, проведенному в 2025 году, предварительная обработка изображений повышает точность распознавания при сканировании низкого качества в среднем на 18–34 процентных пункта по сравнению с выполнением оптического распознавания необработанных необработанных изображений (Университет Невады, «Отчет о проверке точности распознавания», 2025 г.).
Распространенные проблемы с качеством сканирования и их решения
| Проблема | Как это влияет на OCR | Исправить |
|---|---|---|
| Низкое разрешение (<150 точек на дюйм) | Персонажам не хватает достаточной пиксельной детализации. Края размыты. Тонкие штрихи исчезают. Похожие персонажи становятся неразличимы | Если возможно, повторите сканирование с разрешением 300 DPI. Если оригинал недоступен, увеличьте изображение с помощью искусственного интеллекта перед распознаванием текста. |
| Неравномерное освещение или тени | Темные области теряют контраст. Текст в тенях становится невидимым для механизма OCR. Градиентный фон затрудняет определение порога | Примените адаптивное пороговое значение, которое регулирует яркость локально, а не глобально. Удалите тени с помощью программного обеспечения для редактирования изображений |
| Наклон или поворот | Наклоненный текст нарушает сегментацию символов. Не удалось обнаружить линию OCR. Символы из соседних строк сливаются | Исправьте изображение перед распознаванием символов. Большинство инструментов OCR на основе браузера включают автоматическое исправление перекоса. Проверьте выравнивание перед обработкой |
| Фоновый шум или просачивание | Текст с обратной стороны страницы виден. OCR интерпретирует просачивание как часть текста, создавая тарабарщину. | Увеличьте контрастность, чтобы затемнить текст и осветлить фон. Примените фильтр удаления фона. Используйте настройки сканера для подавления просачивания во время сканирования. |
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.
Предварительная обработка изображений перед распознаванием символов
Предварительно обработайте отсканированные изображения перед отправкой их в систему оптического распознавания символов. Устраните перекос, чтобы выпрямить текст. Примените адаптивную пороговую обработку, чтобы преобразовать изображение в чисто черно-белое, что устраняет фоновый шум и увеличивает контрастность. Увеличьте разрешение изображения или примените фильтры повышения резкости, чтобы улучшить края символов. Удалите границы, дырочки и другие нетекстовые элементы, которые могут сбить с толку механизм оптического распознавания символов. Каждый шаг предварительной обработки улучшает качество ввода, а каждое улучшение качества ввода напрямую повышает точность вывода OCR.
WukongPDF Инструменты оптического распознавания символов обрабатывают отсканированные изображения и добавляют текстовые слои с возможностью поиска. Шаг предварительной обработки OCR PDF должен применяться до того, как механизм OCR получит изображения. Чистый ввод производит чистый вывод.
Установка реалистичных ожиданий точности
Даже при оптимальной предварительной обработке скан плохого качества не будет распознаваться так же точно, как чистый. Будьте готовы потратить время на исправление ошибок OCR. Сосредоточьтесь на исправлениях имен собственных, чисел и технических терминов, где ошибки меняют смысл. Общие слова с очевидными ошибками распознавания, например «thc»; вместо "the," легко исправить массово с помощью функции поиска и замены. Scanned PDF, который начинается с изображения низкого качества, приведет к получению результатов OCR, требующих редактирования. Примите это и выделите для этого время.
Когда следует признать, что OCR нежизнеспособен
Некоторые сканы слишком плохи, чтобы распознавание текста могло дать полезные результаты. Фотография сделана почти в темноте. Факс скопирован четыре раза. Документ, напечатанный на цветной бумаге с использованием низкоконтрастных чернил. Результаты оптического распознавания символов в результате этих сканирований будут содержать так много ошибок, что их исправление займет больше времени, чем расшифровка документа вручную.
Прежде чем обрабатывать большую партию сканов низкого качества, проверьте одну репрезентативную страницу. Пропустите его через полный конвейер предварительной обработки и оптического распознавания символов. Если выходные данные требуют серьезной коррекции, ручная транскрипция может быть более эффективной, чем распознавание текста плюс коррекция. Отсканированный PDF, который невозможно эффективно распознать, следует расшифровать.
Выбор подходящего механизма оптического распознавания символов для входных данных низкого качества
Не все механизмы оптического распознавания символов одинаково хорошо справляются со сканированием низкого качества. Механизмы, использующие распознавание на основе нейронных сетей, часто описываемые как OCR на основе искусственного интеллекта или глубокого обучения, обычно работают лучше с искаженным текстом, чем традиционные механизмы сопоставления с образцом. Нейронная сеть обучена на примерах поврежденного, искаженного и некачественного текста и может распознавать символы, которые традиционные движки не могут.
Если вы регулярно обрабатываете сканы низкого качества, протестируйте несколько механизмов оптического распознавания символов на образце ваших типичных документов. Сравните точность вывода и необходимое время коррекции. Механизм, который обеспечивает 95-процентную точность при чистом сканировании, может упасть до 80 процентов при плохом сканировании, в то время как нейронный движок может поддерживать 90 процентов. Выбор механизма OCR PDF для входных данных низкого качества должен основываться на проверенной производительности на реальных документах, а не на маркетинговых заявлениях.
Обучение пользовательским моделям OCR для повторяющихся типов документов
Если вы неоднократно распознаете один и тот же тип документа низкого качества, например, отправленные по факсу формы от определенного поставщика или отсканированные счета от определенного клиента, рассмотрите возможность обучения специальной модели OCR. Некоторые платформы OCR позволяют загружать примеры конкретного типа документа и обучать механизм распознаванию его конкретных шрифтов, макетов и характеристик качества. Обученная модель значительно превосходит механизм общего назначения для этого конкретного типа документа.
Инвестиции в обучение окупаются с каждым последующим обработанным документом. Пользовательская модель, обучение которой занимает час и повышает точность с 85 до 95 процентов, экономит минуты времени на исправление каждого документа, обрабатываемого в дальнейшем. Scanned PDF, который повторяется регулярно, является лучшим кандидатом для обучения пользовательской модели OCR.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.