品質差的掃描是指在光線不好的情況下拍攝的文檔照片、打印並重新掃描了三遍的傳真、舊書上皺巴巴的頁面或用手機攝像頭以一定角度拍攝的文檔。文字就在那裡。人類讀者可以看出來。但對於 OCR 引擎來說，影像是由破碎的字元、合併的字母和背景雜訊組成的拼圖，導致辨識不可靠。在乾淨的 300 DPI 掃描上完美運行的標準 OCR 設定會在這些影像上產生亂碼輸出。
對品質較差的掃描件進行 OCR 需要進行影像預處理，以便在識別之前清理掃描件，並調整 OCR 設定以更能容忍字元變化。預處理步驟是改進的來源。更好的輸入產生更好的輸出。 OCR 引擎無法辨識它看不到的內容。
根據內華達大學 2025 年的基準，與對原始未處理影像運行 OCR 相比，影像預處理可將低品質掃描的 OCR 準確度平均提高 18 至 34 個百分點（內華達大學，“OCR 準確度基準報告”，2025 年）。
常見的掃描品質問題及其解決方法
| 問題 | 它如何影響 OCR | 修復 |
|---|---|---|
| 低解析度（<150 DPI） | 角色缺乏足夠的像素細節。邊緣模糊。細細的筆觸消失了。相似的角色變得難以區分 | 如果可能，請以 300 DPI 重新掃描。如果原件不可用，請在 OCR 之前使用 AI 驅動的放大功能放大影像 |
| 光線或遮蔭不均勻 | 黑暗區域失去對比。陰影中的文字對於 OCR 引擎來說是不可見的。漸變背景混淆閾值檢測 | 應用自適應閾值來局部而不是全局地調整亮度。使用影像編輯軟體去除陰影 |
| 傾斜或旋轉 | 傾斜的文字會破壞字元分割。 OCR 線條偵測失敗。相鄰行的字元合併 | 在 OCR 之前校正影像。大多數基於瀏覽器的 OCR 工具都包含自動糾偏功能。處理前驗證對齊情況 |
| 背景噪音或滲漏 | 頁面反面的文字顯示出來。 OCR 將滲透解釋為文本的一部分，產生亂碼 | 增加對比度以使文字變暗並變亮背景。應用背景去除濾鏡。使用掃描器設定抑制掃描時的滲色 |
OCR 之前的影像預處理
在將掃描影像提交到 OCR 之前對其進行預處理。糾偏以拉直文本。應用自適應閾值將影像轉換為純黑白，從而消除背景雜訊並最大化對比度。提高影像解析度或套用銳利化濾鏡來增強字元邊緣。刪除邊框、打孔和其他可能混淆 OCR 引擎的非文字元素。每個預處理步驟都會提高輸入質量，而輸入品質的每次改進都會直接提高 OCR 輸出的準確性。
WukongPDF OCR 工具處理掃描並新增可搜尋文字層。應在 OCR 引擎接收影像之前應用OCR PDF 預處理步驟。乾淨的輸入產生乾淨的輸出。
設定切合實際的準確度預期
即使採用最佳預處理，品質較差的掃描件也無法像乾淨的掃描件那樣準確地進行 OCR。預計要花時間糾正 OCR 錯誤。將更正重點放在專有名詞、數字和技術術語上，其中錯誤會改變含義。具有明顯OCR錯誤的常見單詞，例如“thc”代替“the”，使用查找和替換很容易批量更正。 掃描的 PDF 最初是品質較差的影像，將產生需要編輯的 OCR 輸出。接受這一點並為此預算時間。
何時承認 OCR 不可行
有些掃描效果太差，OCR 無法產生可用的結果。在接近黑暗的情況下拍攝的照片。一份傳真影印了四次。使用低對比度墨水列印在彩色紙上的文件。這些掃描的 OCR 輸出將包含大量錯誤，以至於糾正這些錯誤比手動轉錄文件需要更長的時間。
在處理大量品質較差的掃描之前，請測試一個有代表性的頁面。透過完整的預處理和 OCR 管道運行它。如果輸出需要大量校正，手動轉錄可能比 OCR 加校正更有效。無法有效進行 ORed 辨識的掃描 PDF 應進行轉錄。
針對品質較差的輸入選擇正確的 OCR 引擎
並非所有 OCR 引擎都能同樣出色地處理品質較差的掃描。使用基於神經網路的識別引擎（通常被稱為人工智慧驅動或深度學習 OCR）通常比傳統模式匹配引擎在處理降級文字時表現更好。這個神經網路已經過對損壞、扭曲和低品質文字範例的訓練，並且可以識別傳統引擎無法識別的字元。
如果您定期處理品質較差的掃描，請在典型文件樣本上測試多個 OCR 引擎。比較輸出精度和所需的校正時間。在乾淨的掃描中產生 95% 準確率的引擎在不良掃描中可能會下降到 80%，而神經引擎可能會保持 90%。針對低品質輸入的OCR PDF引擎選擇應基於實際文件的測試效能，而不是行銷聲明。
訓練重複文檔類型的自訂 OCR 模型
如果您重複 OCR 相同類型的品質較差的文檔，例如來自特定供應商的傳真表單或來自特定客戶的掃描發票，請考慮訓練自訂 OCR 模型。某些 OCR 平台可讓您上傳特定文件類型的範例並訓練引擎識別其特定字體、佈局和品質特徵。經過訓練的模型在特定文件類型上的表現顯著優於通用引擎。
培訓投資隨著每個後續文件的處理而得到回報。客製化模型需要一個小時的時間來訓練，並將準確性提高 85% 到 95%，從而為之後處理的每個文件節省幾分鐘的校正時間。定期重複出現的掃描 PDF 是自訂 OCR 模型訓練的最佳候選。