Подписанный договор сканируется в PDF. Подпись внизу страницы является частью изображения страницы, как и напечатанный текст над ней. Когда вы запускаете OCR для этого отсканированного документа, механизм OCR обрабатывает всю страницу. Он распознает напечатанный текст и добавляет его в текстовый слой с возможностью поиска. Он также встречает рукописную подпись. Движок не знает, что подпись не является текстовой. Он пытается распознать петли, кривые и штрихи как символы. В результате на текстовом слое получается тарабарщина: случайные буквы, символы и вопросительные знаки встроены в документ, где появляется подпись.
Оптическое распознавание текста на отсканированных документах, содержащих подписи, требует обработки подписей как нетекстовых элементов. Механизм OCR должен либо полностью игнорировать область подписи, либо распознавать ее как изображение и пропускать. В этом руководстве рассказывается, как предотвратить неправильное прочтение подписей как текста и как очистить выходные данные OCR, когда подписи уже обработаны.
Проблема OCR PDF с подписями заключается в том, что они занимают визуальное пространство на странице, которое механизм OCR попытается интерпретировать. Чтобы предотвратить это, требуется предварительная обработка или выборочное распознавание текста.
Методы обработки подписей во время оптического распознавания символов
| Метод | Как это работает | Наилучший вариант для |
|---|---|---|
| Выборочное распознавание текста с исключением подписи | Определите зоны OCR, исключающие область подписи. Подпись не обрабатывается. Распознаются только текстовые области | Документы, в которых расположение подписи предсказуемо, обычно внизу последней страницы. |
| Очистка подписи после OCR | Запустите OCR на всей странице. После обработки найдите и удалите бессмысленный текст, созданный подписью. | Документы, которые уже были распознаны или в которых исключение на основе зон недоступно. |
| Предварительная обработка изображений для маскировки подписей | Перед распознаванием текста закрасьте область подписи белым цветом. Механизм OCR видит пустое пространство и не создает текста. | Документы, в которых исключение подписи имеет решающее значение, а очистка после обработки недостаточна. |
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.
Очистка артефактов оптического распознавания символов подписи
Если OCR уже обработал подпись, найдите распознанный текст в области подписи. Ищите группы случайных символов, необычные последовательности символов или текст, не образующий слов. Удалите эти фрагменты. Область подписи в текстовом слое должна быть пустой. Визуальная подпись остается в изображении страницы. Текстовый слой должен содержать только сам текст документа.
WukongPDF Инструменты оптического распознавания символов обрабатывают отсканированные документы. Отсканированный PDF с подписями следует просмотреть после распознавания текста, чтобы удалить артефакты подписей из текстового слоя.
Проверка очищенного вывода OCR
После очистки найдите в документе типичные артефакты оптического распознавания подписей: случайные заглавные буквы в последовательности, повторяющиеся символы или строки знаков препинания. Если поиск обнаружит их, просмотрите и удалите их. Текстовый слой должен содержать только содержимое документа. Область подписи Sign PDF не должна вносить никакого вклада в текст, доступный для поиска.
Правильно распознанный документ с исключением подписи имеет чистый текстовый слой. Печатный контент доступен для поиска. Подпись видна, но не представлена в тексте. Это правильное поведение.
Использование выбора зоны OCR для исключения подписей
Некоторые инструменты OCR позволяют рисовать прямоугольники вокруг текстовых областей перед обработкой. Механизм OCR обрабатывает только области внутри прямоугольников. Нарисуйте прямоугольники вокруг всего текстового содержимого и оставьте область подписи невыделенной. Подпись полностью исключена из OCR.
Зонный подход OCR PDF является наиболее надежным методом исключения сигнатур. Область подписи никогда не передается в механизм распознавания.
Обучение механизмов OCR распознаванию шаблонов подписей
Усовершенствованные системы оптического распознавания символов можно обучить распознавать шаблоны, похожие на подписи, и автоматически их пропускать. Обучение предполагает проставление образцов подписей в образцах документов. Механизм изучает визуальные характеристики подписей и исключает подобные шаблоны из будущих запусков OCR.
Подход машинного обучения Scanned PDF к исключению подписей со временем совершенствуется. Каждый обработанный документ предоставляет данные обучения для следующего.
Использование редактирования изображений для предварительной очистки областей подписи
Перед распознаванием откройте отсканированную страницу в редакторе изображений. Закрасьте область подписи белым цветом, используя кисть. Сохраните очищенное изображение. Запустите OCR на очищенном изображении. Область подписи теперь пуста и не создает артефактов оптического распознавания. Этот метод более надежен, чем исключение на основе зон, поскольку он физически удаляет пиксели подписи.
Подход предварительной очистки Scanned PDF гарантирует исключение подписи. Подпись удаляется из изображения до того, как OCR ее увидит. Механизм OCR не может ничего неправильно истолковать.
Сравнение вывода OCR с исключением подписи и без него
Запустите OCR на одной и той же странице дважды: один раз с исключением подписи и один раз без него. Сравните текстовый вывод. Все без исключения версии будут иметь искаженные символы в области подписи. Версия с исключением будет чистой. Сравнение демонстрирует важность обработки подписей и определяет любые другие области, в которых механизм OCR испытывает трудности.
Метод сравнения OCR PDF является диагностикой качества. Он выявляет не только артефакты подписи, но и другие проблемы распознавания, которые в противном случае могли бы остаться незамеченными.
Автоматизация обнаружения подписи для пакетной обработки
Для больших пакетов подписанных документов исключение подписей вручную на странице непрактично. Используйте сценарии обработки изображений, которые обнаруживают шаблоны, похожие на подписи, на основе плотности пикселей, ширины штриха и положения на странице и автоматически маскируют их перед распознаванием текста. Автоматизация выполняет повторяющуюся работу по идентификации и маскировке подписей.
Исключение пакетной подписи PDF-форм посредством автоматизации подходит для обработки больших объемов документов, где ручные методы не могут масштабироваться.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.