直接在 PDF 上运行 OCR 对于干净的基于文本的文档效果很好。對於文字傾斜、混合字體、不尋常佈局或背景噪音較大的掃描頁面，在 OCR 之前將頁面預處理為圖像可以顯著提高識別準確性。將每個 PDF 頁面轉換為高解析度影像後，您可以套用降噪、歪斜校正、對比度調整和二值化濾鏡，而這些功能很難或不可能套用於 PDF 本身。
图像管道添加了一个步骤。精確度的提高證明它可以應對困難的掃描。
作為預處理步驟的PDF 到影像 的轉換將視覺清理與文字辨識分開。每個頁面都成為一個獨立的圖像文件，可以在輸入 OCR 引擎之前透過圖像增強工具進行處理。 WukongPDF 的轉換和OCR PDF 工具支援此工作流程，讓您可以在對清理後的影像進行識別之前微調影像品質。
為什麼影像預處理可以提高 OCR 準確性
OCR 引擎偵測背景下的字元形狀。任何模糊字符边界的东西都会降低准确性。傾斜的文字行會混淆行偵測。背景斑点和文档污点会产生错误的候选字符。不均匀的照明会产生渐变背景，其中靠近页面边缘的字符会逐渐变成噪音。文本和纸张之间的低对比度是褪色收据和复写本的标志，使得细小的字符笔画完全消失。
轉換為圖像可以讓您分別解決每個問題。傾斜校正演算法會旋轉頁面，直到文字行完全水平，使行偵測引擎完全符合其預期。降噪濾鏡可消除斑點，而不會模糊字元邊緣。即使原始掃描僅顯示細微的差異，對比度曲線也能將深色文字與淺色背景分開。二值化將灰階轉換為純黑白，消除漸層背景。每個步驟都處理一類特定的視覺問題，它們一起將邊緣掃描轉換為 OCR 引擎可以高置信度讀取的乾淨輸入。
實數說明了差異。直接從 PDF 進行 OCR 處理時，以 200 DPI 掃描的 2080 年代點陣發票可能會產生 70% 的字元準確度。經過去歪斜、自適應二值化、去斑等處理後，同一份文件可以達到95%以上。將其分攤到 500 張發票批次中，就會發現 125 張發票有重大錯誤，而 25 張發票需要小幅更正。預處理將清理噩夢變成了可用的輸出，並且每頁的處理時間（完整增強管道約為 2-3 秒）與其節省的手動校正時間相比可以忽略不計。
選擇 OCR 預處理的影像格式和解析度
格式選擇影響管道，而不是最終輸出。 TIFF 仍然是傳統的 OCR 預處理格式：無損壓縮、像素完美保存以及 Tesseract 等引擎的本機支援。 PNG 在網路友善的包裝中提供了與現代工具處理良好的相同的無損品質。中間階段應避免使用 JPEG，因為壓縮偽影會在字元周圍引入邊緣噪聲，從而抵消您試圖實現的清理效果。這些偽影很微妙，但 OCR 引擎會注意到它們。
分辨率決定了精度上限。 300 DPI 是共識的最佳點。低於 200 DPI，小文本和細襯線會模糊到背景中，準確性急劇下降。當 DPI 超過 400 時，檔案大小會膨脹，而準確度則趨於平穩。以 6 點型列印的法律腳註和藥品標籤可能需要 400-600 DPI。大字體的海報和標誌照片通常在 200 DPI 下效果良好。將解析度與頁面上的最小文字相匹配，而不是與平均值相匹配。
| 格式 | 壓縮 | 最適合 | 避免 |
|---|---|---|---|
| TIFF | 無損（LZW 或未壓縮） | Tesseract OCR、檔案預處理 | 檔案大小比品質更重要 |
| 巴布亞紐幾內亞 | 無損 | 現代 OCR 管道、基於 Web 的工具 | 需要 TIFF 的舊版 OCR 軟體 |
| JPEG | 有損 | 快速預覽、目視檢查 | 預處理階段（偽影會降低 OCR 效能） |
| JPEG 2000 | 提供無損選項 | 大容量檔案掃描 | OCR 工具支援有限 |
在 OCR 之前應用影像增強
去歪斜是第一位的。即使 1-2 度的傾斜也會使單字準確度下降幾個百分點，因為線分段需要水平基線。大多數影像處理庫中的自動傾斜校正功能透過分析線條方向並計算使其水平所需的旋轉來檢測主要文字角度。這種單次校正通常可以提供任何預處理步驟中最大的精度增益。
二值化遵循去偏斜。自適應閾值方法（例如 Otsu 演算法或 Sauvola 方法）獨立分析局部影像區域，其處理光照不均勻的文件的效果遠遠優於全局截止值。頁面中心明亮、邊緣昏暗的頁面需要每個區域不同的閾值，而自適應方法可以實現。相較之下，全域閾值為整個頁面選擇一個截止點，通常會剪切陰影中的文字或在明亮區域留下雜訊。在不太完美的照明下掃描的任何文件中，兩種方法之間的視覺差異立即顯而易見。
消除噪音就完成了工作。小的孤立的黑色或白色像素，即老化或紋理紙張掃描中常見的椒鹽噪聲，會產生錯誤的字元片段。半徑為 2-3 像素的中值濾波器可去除這些斑點，同時保留實際的字元邊緣。乾淨的二進位輸出可供識別。與原始掃描相比，在此處理後的影像上執行 OCR 通常會在具有挑戰性的文件上顯示 10 到 25 個百分點的準確性跳躍，並且整個增強管道在每頁幾秒鐘內完成。
對預處理影像運行 OCR
將清理後的影像作為單獨的頁面送入 OCR 引擎。 Tesseract 和大多數其他引擎接受圖像目錄並每頁輸出一個文字檔案。對於可搜尋的 PDF 輸出，請將識別的文字與影像重新組合，以建立具有不可見文字圖層的 PDF。 hOCR 輸出格式保留頁面佈局訊息，以應對已識別文字需要對應回頁面上特定位置的情況。此佈局資料可在可搜尋的 PDF 中啟用「閱讀時反白」功能。
始終比較結果。對原始 PDF 和預處理影像執行 OCR，然後抽查兩個輸出中的相同段落。對於困難的文檔來說，差異是顯而易見的。褪色的複寫收據的準確度從 60% 到 95% 之間意味著無法使用和可用之間的區別。對於 300 DPI 的乾淨現代雷射列印文檔，改進可能可以忽略不計，直接 PDF OCR 就完全足夠了。了解哪些文件可以節省處理時間，而不會影響輸出品質。
批量處理大型文檔集
數百或數千頁需要自動化。編寫管道腳本：將 PDF 頁面轉換為影像，在批次中套用一致的增強參數，執行 OCR 並編譯結果。 Python 與 pdf2image、Pillow 和 pytesseract 提供了一個免費且靈活的管道，可以在標準電腦上過夜處理數千個頁面。初始設定需要一兩個小時，但每個後續批次都使用單一命令運行。對於一次性小型作業，透過 GUI 工具進行手動預處理設定速度更快且同樣有效。
對每批隨機樣品進行品質檢查。一致的設定並不能保證一致的結果。有些頁面具有標準增強功能所遺漏的獨特工件。在錯誤傳播到整個文件集之前，對批次中的 5-10% 進行抽查，發現系統問題、文字稀疏的頁面上的歪斜校正失敗、內容模糊的頁面上的二值化崩潰。根據樣本修復增強參數，重新運行，該批次的其餘部分結果是乾淨的。