对于具有彩色背景的文档，OCR 准确度会显着下降。打印在浅蓝色纸上的表格。奶油原料证书。黄色背景上带有红色文字的标志。照片上覆盖有文字的小册子。 OCR 引擎需要白底黑字。当背景有颜色时，文本和背景之间的对比度会降低。人物边缘模糊到背景中。识别准确率下降。了解彩色背景降低 OCR 准确性的原因有助于您在处理前应用正确的更正。
背景颜色通过对比度降低、颜色通道混乱和阈值检测错误影响 OCR。每种机制都会以不同的方式降低准确性。这些修复具体针对每种机制。
通过在识别前对背景进行标准化的图像预处理，可以提高彩色背景上的 OCR PDF 准确性。
彩色背景如何影响 OCR
OCR 引擎通过称为阈值处理的过程将彩色图像转换为黑白图像。每个像素都被分类为文本（变为黑色）或背景（变为白色）。在彩色背景上，作为背景一部分的像素可能具有与文本像素类似的暗度值，特别是当背景为深色或文本为浅色时。阈值算法会犯错误，将背景像素分类为文本或将文本像素分类为背景。
预处理以提高准确性
首先将图像转换为灰度。然后应用自适应阈值处理，它对图像的不同区域使用不同的阈值，而不是一个全局阈值。自适应方法比全局阈值处理更好地处理不同的背景颜色。
WukongPDF OCR 处理扫描文档。应在 OCR 引擎接收图像之前应用彩色背景的扫描 PDF 预处理。
何时接受较低的准确度
对于某些彩色背景文档，无法实现完美的 OCR。接受 90-95% 的准确度并计划进行手动校正。尝试在困难文档上实现 99% 的准确率所花费的时间可能会超过手动纠正 95% 输出所需的时间。
对比度对 OCR 准确性的作用
OCR 准确度与文本和背景之间的对比度直接相关。白底黑字具有最大对比度。浅蓝色上的蓝色文本对比度较低。 OCR 引擎需要最小对比度才能可靠地区分字符边缘。
OCR PDF 对比度要求解释了为什么彩色背景会降低准确性。解决方法是通过预处理增加对比度。
使用颜色通道分离以获得更好的结果
如果文本和背景主要在一种颜色通道上有所不同，请将该通道分开以进行 OCR。绿色背景上的红色文本在灰度中几乎不可见，但在红色通道中清晰分离。
扫描 PDF颜色通道分离技术改进了文本和背景颜色不同的文档的 OCR。
当重新扫描是最佳解决方案时
如果原始纸质文档可用，则以高对比度重新扫描灰度或黑白可产生比尝试纠正不良彩色扫描更好的 OCR 结果。
当原件可访问时，PDF 质量重新扫描选项是解决彩色背景 OCR 问题的最有效方法。
光、颜色和字符识别的物理学
OCR 的工作原理是检测亮像素和暗像素相交的边缘。在彩色背景上，边缘对比度会降低。 OCR 引擎必须区分字符边缘和背景颜色过渡。较低的对比度意味着更多的边缘检测错误。
OCR PDF 对比度物理学解释了为什么最大化对比度的预处理可以提高准确性。灰度转换和自适应阈值处理是对比度增强技术。
为了在彩色文档上获得最佳 OCR 结果，请以高对比度进行灰度扫描，而不是进行彩色扫描。扫描仪可以捕获比人眼可见的对比度更高的对比度。
不同的颜色组合对准确性的影响有何不同
浅色背景上的深色文本比深色背景上的浅色文本表现更好。浅蓝色黑字 OCR 准确率可达 95%。白底黄字的 OCR 识别率可能为 50% 或更低。具体的颜色组合决定了准确性损失。
扫描的 PDF颜色组合分析有助于预测哪些文档最需要预处理和手动校正。
对文档集中每种颜色组合的样本进行 OCR 测试。使用结果来优先处理精度最低的组合的预处理工作。
使用机器学习 OCR 引擎处理彩色文档
经过不同文档类型训练的神经网络 OCR 引擎比传统的模式匹配引擎能够更好地处理彩色背景。神经网络已经学会在低对比度和颜色变化的条件下识别字符。
OCR PDF 引擎的选择会显着影响彩色文档的准确性。如果传统 OCR 的结果不佳，请尝试神经引擎。
神经 OCR 的处理时间通常比传统 OCR 长。彩色文档准确性的提高证明了额外时间的合理性。
为混合颜色文档集创建预处理工作流程
文档集可能包含具有白色背景、彩色背景和图像背景的页面。使用该类型的最佳设置来处理每种页面类型。对于某些页面来说，应用于所有页面的单一预处理设置可能是错误的。
PDF 质量混合颜色预处理工作流程使用逐页或逐节分析将正确的设置应用于每种内容类型。
记录每种页面类型的预处理设置。该文档可以对具有类似特征的未来文档集进行一致的处理。
何时接受较低的手动校正精度和预算
对于某些文档，实现高 OCR 准确度的工作量超过了手动纠正低准确度输出的工作量。一份 500 页的文档，OCR 的准确率达到 85%，可能需要 10 个小时进行手动纠正，但需要 20 个小时的预处理实验才能达到 95% 的准确率。
PDF Tools 对 OCR 准确性的成本效益分析考虑了自动处理时间和手动校正时间。选择总时间最短的路径。
使用直方图分析诊断对比度问题
图像直方图显示像素亮度值的分布。具有两个不同峰值的直方图表明文本和背景之间具有良好的对比度。具有单个宽峰的直方图表示对比度低。
OCR PDF直方图分析在预处理开始之前量化对比度问题。
纸张纹理对 OCR 准确性的影响
纹理纸（例如亚麻纸或直纹纸）会产生背景噪音，OCR 引擎会将其解释为文本。纹理添加了虚假边缘，从而混淆了字符识别。图像平滑可减少纹理噪声，但也可能柔化字符边缘。
扫描的 PDF纸张纹理挑战对于从原始纸张而不是印刷复制品扫描的历史文档来说是最常见的。
何时使用手动转录而不是 OCR
对于具有严重颜色和对比度问题的文档，手动转录可能比大量的预处理和校正更具成本效益。人类转录员可以读取 OCR 引擎无法识别的文本。
当 OCR 输出的每页校正时间超过每页转录时间时，将达到PDF 质量手动转录决策点。
扫描仪校准对颜色精度的影响
未经校准的扫描仪会产生色偏，从而降低 OCR 准确性。在扫描彩色文档之前校准扫描仪。使用颜色目标来验证校准。
OCR PDF扫描仪校准步骤可确保数字图像准确地代表原始文档颜色。
使用多光谱成像处理困难文档
多光谱成像以多个光波长捕获文档。不同的波长可以显示在标准白光下不可见的文本。对于严重退化的彩色文档，多光谱成像可能是唯一可行的捕获方法。
主要档案馆使用扫描 PDF多光谱方法来处理无法进行标准数字化的文档。
构建有问题文档类型的参考集合
维护代表常见 OCR 挑战的示例文档集合。在将新的预处理技术应用于生产文档之前，先针对此参考集合测试新的预处理技术。
PDF 质量 参考集为 OCR 准确性随时间的推移提高提供了一致的基准。