已簽署的合約被掃描為 PDF。頁面底部的簽名是頁面圖像的一部分，就像其上方的印刷文字一樣。當您對此掃描文件執行 OCR 時，OCR 引擎會處理整個頁面。它識別列印的文字並將其添加到可搜尋文字圖層。它還遇到了手寫簽名。引擎不知道簽名不是文字。它嘗試將循環、曲線和筆劃識別為字元。結果是文字圖層中出現亂碼：隨機字母、符號和問號嵌入到出現簽名的文件中。
對包含簽署的掃描文件進行 OCR 需要將簽章視為非文字元素。 OCR 引擎應該完全忽略簽名區域，或者將其識別為圖像並跳過它。本指南介紹如何防止簽名被誤讀為文字以及如何在處理簽名後清理 OCR 輸出。
OCR PDF 簽章面臨的挑戰是它們佔據了 OCR 引擎嘗試解釋的頁面上的視覺空間。防止這種情況需要預處理或選擇性 OCR。
OCR 期間處理簽署的方法
| 方法 | 工作原理 | 最適合 |
|---|---|---|
| 具有簽名排除功能的選擇性 OCR | 定義不包括簽名區域的 OCR 區域。簽名不被處理。僅識別文字區域 | 簽名位置可預測的文檔，通常位於最後一頁的底部 |
| OCR 後簽名清理 | 對整個頁面運行 OCR。處理完畢後，搜尋並刪除簽名產生的亂碼 | 已進行 ORed 或基於區域的排除不可用的文檔 |
| 影像預處理以掩蓋簽名 | 在 OCR 之前，以白色數位方式在簽名區域上繪製。 OCR 引擎發現空白且不產生任何文本 | 簽名排除至關重要且後處理清理不充分的文檔 |
清理簽名 OCR 偽影
如果OCR已經處理過簽名，則在識別的文字中搜尋簽名區域。尋找隨機字元簇、不尋常的字元序列或不形成單字的文字。刪除這些片段。文字圖層中的簽名區域應為空。視覺簽名保留在頁面圖像中。文字層應僅包含實際的文件文字。
WukongPDF OCR 工具處理掃描文件。帶有簽署的掃描的 PDF 應在 OCR 後進行審查，以從文字圖層中刪除簽章痕跡。
驗證已清理的 OCR 輸出
清理後，從簽名中搜尋文件中常見的 OCR 偽影：順序隨機大寫字母、重複字元或標點符號字串。如果搜尋發現任何內容，請查看並刪除它們。文字層應僅包含文件內容。 Sign PDF簽章區域不應對可搜尋文字產生任何影響。
具有簽名排除功能的正確 OCRed 文件具有乾淨的文字圖層。列印的內容是可搜尋的。簽名可見，但未在文字中表示。這是正確的行為。
使用 OCR 區域選擇排除簽名
某些 OCR 工具可讓您在處理之前在文字區域周圍繪製矩形。 OCR 引擎僅處理矩形內的區域。在所有文字內容周圍繪製矩形，並保留簽名區域未選取。簽名完全排除在 OCR 之外。
基於區域的OCR PDF 方法是最可靠的簽章排除方法。簽名區域永遠不會提交給識別引擎。
訓練 OCR 引擎辨識簽章模式
進階 OCR 系統可以經過訓練來識別類似簽名的模式並自動跳過它們。培訓涉及在樣本文件中標記簽名範例。該引擎會學習簽名的視覺特徵，並從未來的 OCR 運行中排除類似的模式。
隨著時間的推移，掃描 PDF簽章排除機器學習方法不斷改進。處理的每個文件都為下一個文件提供訓練資料。
使用影像編輯來預清潔簽名區域
在進行 OCR 之前，請在影像編輯器中開啟掃描的頁面。使用畫筆工具在簽名區域上塗上白色。儲存清理後的影像。對清理後的影像執行 OCR。簽名區域現在是空白的，不會產生 OCR 偽影。此方法比基於區域的排除更可靠，因為它物理上刪除了簽章像素。
掃描的 PDF預清理方法可確保簽章排除。在 OCR 看到簽名之前，簽名已從圖像中刪除。 OCR 引擎不會誤解任何內容。
比較有和沒有簽章排除的 OCR 輸出
在同一頁面上運行 OCR 兩次：一次排除簽名，一次不排除簽名。比較文字輸出。不排除的版本簽名區會出現亂碼。排除的版本將是乾淨的。此比較證明了簽章處理的重要性，並確定了 OCR 引擎遇到困難的任何其他領域。
OCR PDF 比較法是一種品質診斷。它不僅揭示了簽名偽影，還揭示了其他可能被忽視的識別問題。
自動進行批次簽章偵測
對於大批量簽名文檔，每頁手動簽名排除是不切實際的。使用影像處理腳本根據像素密度、筆觸寬度和頁面上的位置檢測類似簽名的圖案，並在 OCR 之前自動屏蔽它們。自動化處理識別和屏蔽簽名的重複工作。
透過自動化進行 PDF 表單批次簽章排除適用於手動方法無法擴展的大容量文件處理。