對於具有彩色背景的文檔，OCR 準確度會顯著下降。列印在淺藍色紙上的表格。奶油原料證書。黃色背景上有紅色文字的標誌。照片上覆蓋有文字的小冊子。 OCR 引擎需要白底黑字。當背景有顏色時，文字和背景之間的對比度會降低。人物邊緣模糊到背景。辨識準確率下降。了解彩色背景降低 OCR 準確性的原因有助於您在處理前應用正確的更正。
背景顏色透過對比度降低、顏色通道混亂和閾值檢測錯誤影響 OCR。每種機制都會以不同的方式降低準確性。這些修復具體針對每種機制。
透過在辨識前對背景進行標準化的影像預處理，可以提高彩色背景上的 OCR PDF 準確性。
彩色背景如何影響 OCR
OCR 引擎透過稱為閾值處理的過程將彩色影像轉換為黑白影像。每個像素都被分類為文字（變為黑色）或背景（變為白色）。在彩色背景上，作為背景一部分的像素可能具有與文字像素類似的暗度值，特別是當背景為深色或文字為淺色時。閾值演算法會犯錯誤，將背景像素分類為文字或將文字像素分類為背景。
預處理以提高準確性
首先將影像轉換為灰階。然後應用自適應閾值處理，它對影像的不同區域使用不同的閾值，而不是一個全域閾值。自適應方法比全域閾值處理更好地處理不同的背景顏色。
WukongPDF OCR 處理掃描文件。應在 OCR 引擎接收影像之前應用彩色背景的掃描 PDF 預處理。
何時接受較低的準確度
對於某些彩色背景文檔，無法實現完美的 OCR。接受 90-95% 的準確度併計劃進行手動校正。嘗試在困難文件上實現 99% 的準確率所花費的時間可能會超過手動修正 95% 輸出所需的時間。
對比度對 OCR 準確度的作用
OCR 準確度與文字和背景之間的對比度直接相關。白底黑字具有最大對比。淺藍色上的藍色文字對比度較低。 OCR 引擎需要最小對比度才能可靠地區分字元邊緣。
OCR PDF 對比度要求解釋了為什麼彩色背景會降低準確性。解决方法是通过预处理增加对比度。
使用顏色通道分離以獲得更好的結果
如果文字和背景主要在一種顏色通道上有所不同，請將該通道分開以進行 OCR。綠色背景上的紅色文字在灰階中幾乎不可見，但在紅色通道中清晰分離。
掃描 PDF顏色通道分離技術改進了文本和背景顏色不同的文件的 OCR。
當重新掃描是最佳解決方案時
如果原始紙本文件可用，則以高對比度重新掃描灰階或黑白可產生比嘗試糾正不良彩色掃描更好的 OCR 結果。
當原件可存取時，PDF 品質重新掃描選項是解決彩色背景 OCR 問題最有效的方法。
光、顏色和字元辨識的物理學
OCR 的工作原理是偵測亮像素和暗像素相交的邊緣。在彩色背景上，邊緣對比度會降低。 OCR 引擎必須區分字元邊緣和背景顏色過渡。較低的對比度意味著更多的邊緣偵測錯誤。
OCR PDF 對比度物理學解釋了為什麼最大化對比度的預處理可以提高準確性。灰階轉換和自適應閾值處理是對比增強技術。
為了在彩色文件上獲得最佳 OCR 結果，請以高對比度進行灰階掃描，而不是進行彩色掃描。掃描器可以捕捉比人眼可見的對比度更高的對比度。
不同的顏色組合對準確度的影響有何不同
淺色背景上的深色文字比深色背景上的淺色文字表現更好。淺藍色黑字 OCR 準確率可達 95%。白底黃字的 OCR 辨識率可能為 50% 或更低。具體的顏色組合決定了準確性損失。
掃描的 PDF顏色組合分析有助於預測哪些文件最需要預處理和手動校正。
對文件集中每種顏色組合的樣本進行 OCR 測試。使用結果來優先處理精度最低的組合的預處理工作。
使用機器學習 OCR 引擎處理彩色文檔
經過不同文件類型訓練的神經網路 OCR 引擎比傳統的模式匹配引擎更能處理彩色背景。神經網路已經學會在低對比度和顏色變化的條件下識別字元。
OCR PDF 引擎的選擇會顯著影響彩色文件的準確性。如果傳統 OCR 的結果不佳，請嘗試神經引擎。
神經 OCR 的處理時間通常比傳統 OCR 長。彩色文件準確性的提高證明了額外時間的合理性。
為混合顏色文件集建立預處理工作流程
文件集可能包含具有白色背景、彩色背景和圖像背景的頁面。使用該類型的最佳設定來處理每種頁面類型。對於某些頁面來說，應用於所有頁面的單一預處理設定可能是錯誤的。
PDF 品質混合顏色預處理工作流程使用逐頁或逐節分析將正確的設定應用於每種內容類型。
記錄每種頁面類型的預處理設定。該文件可以對具有類似特徵的未來文件集進行一致的處理。
何時接受較低的手動校正精度和預算
對於某些文檔，實現高 OCR 準確度的工作量超過了手動糾正低準確度輸出的工作量。一份 500 頁的文檔，OCR 的準確率達到 85%，可能需要 10 個小時進行手動糾正，但需要 20 個小時的預處理實驗才能達到 95% 的準確率。
PDF Tools 對 OCR 準確性的成本效益分析考慮了自動處理時間和手動校正時間。選擇總時間最短的路徑。
使用直方圖分析診斷對比問題
影像直方圖顯示像素亮度值的分佈。具有兩個不同峰值的直方圖顯示文字和背景之間具有良好的對比。具有單一寬峰的直方圖表示對比度低。
OCR PDF直方圖分析在預處理開始之前量化對比問題。
紙張紋理對 OCR 準確性的影響
紋理紙（例如亞麻紙或直紋紙）會產生背景噪音，OCR 引擎會將其解釋為文字。紋理添加了虛假邊緣，從而混淆了字元辨識。影像平滑可減少紋理噪聲，但也可能柔化字元邊緣。
掃描的 PDF紙張紋理挑戰對於從原始紙張而不是印刷複製品掃描的歷史文件來說是最常見的。
何時使用手動轉錄而不是 OCR
對於具有嚴重顏色和對比度問題的文檔，手動轉錄可能比大量的預處理和校正更具成本效益。人類轉錄員可以讀取 OCR 引擎無法辨識的文字。
當 OCR 輸出的每頁校正時間超過每頁轉錄時間時，將達到PDF 質量手動轉錄決策點。
掃描器校準對色彩精確度的影響
未經校準的掃描器會產生色偏，從而降低 OCR 準確性。在掃描彩色文件之前校準掃描器。使用顏色目標來驗證校準。
OCR PDF掃描器校正步驟可確保數位影像準確地代表原始文件顏色。
使用多光譜成像處理困難文檔
多光譜成像以多個光波長擷取文件。不同的波長可以顯示在標準白光下不可見的文字。對於嚴重退化的彩色文檔，多光譜成像可能是唯一可行的捕獲方法。
主要檔案館使用掃描 PDF多光譜方法來處理無法進行標準數位化的文件。
建立有問題文檔類型的參考集合
維護代表常見 OCR 挑戰的範例文件集合。在將新的預處理技術應用於生產文件之前，先針對此參考集合測試新的預處理技術。
PDF 品質 參考集為 OCR 準確性隨時間的推移提高提供了一致的基準。