已签署的合同被扫描为 PDF。页面底部的签名是页面图像的一部分，就像其上方的打印文本一样。当您对此扫描文档运行 OCR 时，OCR 引擎会处理整个页面。它识别打印的文本并将其添加到可搜索文本层。它还遇到了手写签名。引擎不知道签名不是文本。它尝试将循环、曲线和笔划识别为字符。结果是文本层中出现乱码：随机字母、符号和问号嵌入到出现签名的文档中。
对包含签名的扫描文档进行 OCR 需要将签名视为非文本元素。 OCR 引擎应该完全忽略签名区域，或者将其识别为图像并跳过它。本指南介绍如何防止签名被误读为文本以及如何在处理签名后清理 OCR 输出。
OCR PDF 签名面临的挑战是它们占据了 OCR 引擎尝试解释的页面上的视觉空间。防止这种情况需要预处理或选择性 OCR。
OCR 期间处理签名的方法
| 方法 | 工作原理 | 最适合 |
|---|---|---|
| 具有签名排除功能的选择性 OCR | 定义不包括签名区域的 OCR 区域。签名不被处理。仅识别文本区域 | 签名位置可预测的文档，通常位于最后一页的底部 |
| OCR 后签名清理 | 对整个页面运行 OCR。处理完毕后，搜索并删除签名生成的乱码 | 已进行 ORed 或基于区域的排除不可用的文档 |
| 图像预处理以掩盖签名 | 在 OCR 之前，用白色数字方式在签名区域上绘制。 OCR 引擎发现空白且不生成任何文本 | 签名排除至关重要且后处理清理不充分的文档 |
清理签名 OCR 伪影
如果OCR已经处理过签名，则在识别的文本中搜索签名区域。查找随机字符簇、不寻常的字符序列或不形成单词的文本。删除这些片段。文本层中的签名区域应为空。视觉签名保留在页面图像中。文本层应仅包含实际的文档文本。
WukongPDF OCR 工具处理扫描文档。带有签名的扫描的 PDF 应在 OCR 后进行审查，以从文本层中删除签名痕迹。
验证已清理的 OCR 输出
清理后，从签名中搜索文档中常见的 OCR 伪影：顺序随机大写字母、重复字符或标点符号字符串。如果搜索发现任何内容，请查看并删除它们。文本层应仅包含文档内容。 Sign PDF签名区域不应对可搜索文本产生任何影响。
具有签名排除功能的正确 OCRed 文档具有干净的文本层。打印的内容是可搜索的。签名可见，但未在文本中表示。这是正确的行为。
使用 OCR 区域选择排除签名
某些 OCR 工具允许您在处理之前在文本区域周围绘制矩形。 OCR 引擎仅处理矩形内的区域。在所有文本内容周围绘制矩形，并保留签名区域未选中。签名完全排除在 OCR 之外。
基于区域的OCR PDF 方法是最可靠的签名排除方法。签名区域永远不会提交给识别引擎。
训练 OCR 引擎识别签名模式
高级 OCR 系统可以经过训练来识别类似签名的模式并自动跳过它们。培训涉及在样本文档中标记签名示例。该引擎会学习签名的视觉特征，并从未来的 OCR 运行中排除类似的模式。
随着时间的推移，扫描 PDF签名排除机器学习方法不断改进。处理的每个文档都为下一个文档提供训练数据。
使用图像编辑来预清洁签名区域
在进行 OCR 之前，请在图像编辑器中打开扫描的页面。使用画笔工具在签名区域上涂上白色。保存清理后的图像。对清理后的图像运行 OCR。签名区域现在是空白的，不会产生 OCR 伪像。此方法比基于区域的排除更可靠，因为它物理上删除了签名像素。
扫描的 PDF预清理方法可保证签名排除。在 OCR 看到签名之前，签名已从图像中删除。 OCR 引擎不会误解任何内容。
比较有和没有签名排除的 OCR 输出
在同一页面上运行 OCR 两次：一次排除签名，一次不排除签名。比较文本输出。不排除的版本签名区会出现乱码。排除的版本将是干净的。该比较证明了签名处理的重要性，并确定了 OCR 引擎遇到困难的任何其他领域。
OCR PDF 比较方法是一种质量诊断。它不仅揭示了签名伪影，还揭示了其他可能被忽视的识别问题。
自动进行批处理签名检测
对于大批量签名文档，每页手动签名排除是不切实际的。使用图像处理脚本根据像素密度、笔划宽度和页面上的位置检测类似签名的图案，并在 OCR 之前自动屏蔽它们。自动化处理识别和屏蔽签名的重复工作。
通过自动化进行 PDF 表单批量签名排除适用于手动方法无法扩展的大容量文档处理。