Точность распознавания значительно падает на документах с цветным фоном. Бланк, напечатанный на светло-голубой бумаге. Сертификат на сливочный бульон. Знак с красным текстом на желтом фоне. Брошюра с текстом, наложенным на фотографии. Механизм OCR ожидает черный текст на белом фоне. Когда фон имеет цвет, контраст между текстом и фоном уменьшается. Края персонажа размываются на заднем плане. Точность распознавания падает. Понимание того, почему цветной фон ухудшает точность распознавания, поможет вам применить правильные исправления перед обработкой.
Цвет фона влияет на распознавание текста из-за снижения контрастности, путаницы цветовых каналов и ошибок определения порогов. Каждый механизм снижает точность по-своему. Исправления касаются каждого механизма конкретно.
Точность OCR PDF на цветном фоне можно повысить за счет предварительной обработки изображений, которая нормализует фон перед распознаванием.
Как цветной фон влияет на распознавание текста
Механизмы оптического распознавания символов преобразуют цветные изображения в черно-белые с помощью процесса, называемого пороговым определением. Каждый пиксель классифицируется либо как текст, который становится черным, либо как фон, который становится белым. На цветном фоне пиксели, являющиеся частью фона, могут иметь значения темноты, аналогичные пикселям текста, особенно если фон темного цвета или текст светлого цвета. Алгоритм определения порога допускает ошибки, классифицируя пиксели фона как текст или текстовые пиксели как фон.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.
Предварительная обработка для повышения точности
Сначала преобразуйте изображение в оттенки серого. Затем примените адаптивную пороговую обработку, которая использует разные пороговые значения для разных областей изображения, а не один глобальный порог. Адаптивный метод обрабатывает различные цвета фона лучше, чем глобальное пороговое значение.
WukongPDF OCR обрабатывает отсканированные документы. Предварительную обработку Scanned PDF для цветного фона следует применять до того, как механизм OCR получит изображения.
Когда следует принять более низкую точность
Для некоторых документов с цветным фоном идеальное распознавание текста недостижимо. Примите точность 90–95 процентов и запланируйте ручную коррекцию. Время, потраченное на достижение 99-процентной точности в сложном документе, может превысить время, необходимое для ручной корректировки 95-процентного результата.
Роль коэффициента контрастности в точности оптического распознавания символов
Точность распознавания напрямую коррелирует с коэффициентом контрастности между текстом и фоном. Черный текст на белом имеет максимальную контрастность. Синий текст на голубом фоне имеет низкую контрастность. Механизму оптического распознавания символов необходим минимальный коэффициент контрастности, чтобы надежно различать края символов.
Требование контрастности OCR PDF объясняет, почему цветной фон снижает точность. Исправление заключается в увеличении контрастности посредством предварительной обработки.
Использование разделения цветовых каналов для лучших результатов
Если текст и фон различаются главным образом в одном цветовом канале, отделите этот канал для оптического распознавания символов. Красный текст на зеленом фоне может быть почти невидимым в оттенках серого, но четко разделяться в красном канале.
Метод разделения цветовых каналов Scanned PDF улучшает оптическое распознавание документов, в которых цвета текста и фона различаются.
Когда повторное сканирование является лучшим решением
Если исходный бумажный документ доступен, повторное сканирование в оттенках серого или в черно-белом режиме с высокой контрастностью дает гораздо лучшие результаты распознавания, чем попытка исправить плохое цветное сканирование.
Параметр повторного сканирования качества PDF — наиболее эффективное решение проблем с распознаванием текста на цветном фоне, когда оригинал доступен.
Физика света, цвета и распознавания символов
OCR работает путем обнаружения краев, где встречаются светлые и темные пиксели. На цветном фоне контрастность краев снижается. Механизм OCR должен различать край символа и переход цвета фона. Меньший контраст означает больше ошибок обнаружения границ.
Физика контраста OCR PDF объясняет, почему предварительная обработка, максимизирующая контраст, повышает точность. Преобразование оттенков серого и адаптивное пороговое регулирование — это методы повышения контрастности.
Для достижения наилучших результатов распознавания цветных документов сканируйте их в оттенках серого с высокой контрастностью, а не в цвете. Сканер может уловить больше контраста, чем может увидеть человеческий глаз.
Как разные цветовые комбинации по-разному влияют на точность
Темный текст на светлом фоне отображается лучше, чем светлый текст на темном фоне. Черный на голубом фоне может быть распознан с точностью 95 %. Желтый на белом цвете может иметь оптическое распознавание на уровне 50 % или меньше. Конкретная комбинация цветов определяет потерю точности.
Анализ цветовых комбинаций Scanned PDF помогает предсказать, какие документы потребуют наибольшей предварительной обработки и ручной коррекции.
Проверьте распознавание символов на образце каждой цветовой комбинации в вашем наборе документов. Используйте результаты, чтобы расставить приоритеты в предварительной обработке комбинаций с наименьшей точностью.
Использование механизмов машинного обучения OCR для цветных документов
Нейросетевые механизмы OCR, обученные на различных типах документов, обрабатывают цветной фон лучше, чем традиционные механизмы сопоставления с образцом. Нейронная сеть научилась распознавать символы в условиях низкой контрастности и различных цветов.
Выбор механизма OCR PDF существенно влияет на точность цветных документов. Если традиционное распознавание текста дает плохие результаты, попробуйте нейронный движок.
Время обработки нейронного OCR обычно больше, чем традиционное OCR. Повышение точности цветных документов оправдывает дополнительное время.
Создание рабочего процесса предварительной обработки для наборов документов смешанных цветов
Набор документов может содержать страницы с белым фоном, цветным фоном и фоном изображения. Обрабатывайте каждый тип страницы с оптимальными настройками для этого типа. Единая настройка предварительной обработки, примененная ко всем страницам, для некоторых будет неправильной.
Рабочий процесс предварительной обработки смешанных цветов PDF Quality использует постраничный или пораздельный анализ для применения правильных настроек к каждому типу контента.
Задокументируйте настройки предварительной обработки для каждого типа страниц. Документация обеспечивает последовательную обработку будущих наборов документов со схожими характеристиками.
Когда следует принимать более низкую точность и бюджет для ручной коррекции
Для некоторых документов усилия по достижению высокой точности оптического распознавания превышают усилия по ручной корректировке выходных данных с низкой точностью. 500-страничный документ, в котором распознавание текста с точностью 85 % может занять 10 часов для исправления вручную, но 20 часов экспериментов по предварительной обработке для достижения 95 %.
Анализ затрат и выгод PDF Tools для точности оптического распознавания символов учитывает как время автоматической обработки, так и время ручной коррекции. Выберите путь, который минимизирует общее время.
Использование анализа гистограмм для диагностики проблем с контрастом
Гистограмма изображения показывает распределение значений яркости пикселей. Гистограмма с двумя отчетливыми пиками указывает на хороший контраст между текстом и фоном. Гистограмма с одним широким пиком указывает на низкую контрастность.
Анализ гистограммы OCR PDF позволяет количественно оценить проблему контрастности до начала предварительной обработки.
Влияние текстуры бумаги на точность распознавания
Текстурированная бумага, такая как лен или бумага, создает фоновый шум, который системы оптического распознавания символов интерпретируют как текст. Текстура добавляет ложные края, которые затрудняют распознавание символов. Сглаживание изображения уменьшает текстурный шум, но также может смягчить края символов.
Проблема с текстурой бумаги Scanned PDF чаще всего возникает при работе с историческими документами, отсканированными с оригинальной бумаги, а не с печатными репродукциями.
Когда использовать ручную транскрипцию вместо OCR
Для документов с серьезными проблемами цвета и контрастности ручная транскрипция может быть более рентабельной, чем обширная предварительная обработка и коррекция. Человек-расшифровщик может прочитать текст, который не может распознать ни один механизм оптического распознавания символов.
Точка принятия решения о ручной транскрипции PDF Quality достигается, когда время постраничной коррекции для вывода OCR превышает время постраничной транскрипции.
Влияние калибровки сканера на точность цветопередачи
Некалиброванный сканер вносит цветовые сдвиги, которые снижают точность оптического распознавания символов. Откалибруйте сканер перед сканированием цветных документов. Используйте цветовую мишень для проверки калибровки.
Этап калибровки сканера OCR PDF гарантирует, что цифровое изображение точно передает цвета исходного документа.
Использование мультиспектральной визуализации для сложных документов
Мультиспектральная визуализация позволяет захватывать документы на разных длинах волн света. Различные длины волн позволяют увидеть текст, невидимый в стандартном белом свете. Для сильно поврежденных цветных документов мультиспектральная визуализация может быть единственным приемлемым методом захвата.
Мультиспектральный подход Scanned PDF используется крупными архивами для документов, устойчивых к стандартной оцифровке.
Создание справочной коллекции проблемных типов документов
Поддерживайте коллекцию образцов документов, которые отражают типичные проблемы оптического распознавания символов. Протестируйте новые методы предварительной обработки на основе этой коллекции ссылок, прежде чем применять их к рабочим документам.
Справочная коллекция PDF Quality представляет собой последовательный эталон для повышения точности оптического распознавания символов с течением времени.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.