カットはきつめであればあるほど良いですか? OCRのエッジテキストにもスペースを残す必要があります
表のセルは非常に厳密にカットされており、テキストの隣に空白スペースがないため、認識効果はそれほど良くない可能性があります。さらに重要なのは、トリミングとトリミングによって座標原点が変更されることです。これらの変更が保存されていない場合、その後認識結果がページ全体に戻されるときに、一見ランダムなオフセットが表示されます。
表のスキャンまたはスクリーンショット、特にセルの横のテキスト、表のヘッダー、および金額を OCR に送信したい場合、次のような疑問に悩まされるかもしれません。トリミングがきつくなるほど認識効果は向上するのでしょうか?
この記事は、リージョン前処理を自分で行う必要がある人向けに書かれています。表のセルは非常に厳密にカットされており、テキストの隣に空白スペースがないため、認識効果はそれほど良くない可能性があります。さらに重要なのは、トリミングやトリミングを行うと座標原点が変更されることです。これらの変更が保存されていない場合、認識結果がページ全体に戻されるときに、一見ランダムなオフセットが表示されます。
読んだ後、余白を残す方法、座標の変更を記録する方法、トリミング境界をどのように受け入れるかを判断できます。この記事の例では合成サンプルを使用しており、コードは隔離された環境でのみテストされています。すべての実際のファイルや製品の効果を保証するものではありません。重要な書類を処理する前に、原本を保管し、書類の受領事項に従って確認してください。
一文の結論
厳密なトリミングが良いというわけではありません。認識フレームがページ全体に正確に戻ることができるように、テキストに適切な余白を残し、各トリミングとパディングのオフセットを記録します。
| あなたの状況 | 推奨される実践方法 | 理由 |
|---|---|---|
| 表のセルは非常にきつくカットされており、テキストは枠線で囲まれています | エッジを適切に塗りつぶし、独自のサンプルで境界線の幅を確認します。 | 厳密なトリミングは必ずしも認識効果を向上させるわけではなく、固定ピクセル値は普遍的ではありません。 |
| 認識フレームをページ全体に描画し直す必要がある | 各トリミングとトリミングのオフセットを保存 | トリミングやトリミングを行うと座標の原点が変更され、保存しないとオフセットが発生します。 |
| トリミング領域により、通貨記号などのラベルが切り取られる場合があります | 切り抜きルールではラベルと単位の両方が考慮されます | OCR 数値認識が正確であっても、ビジネスフィールドはまだ不完全である可能性があります |
| パイプラインには、スケーリング、回転、または透視変換が含まれます | 完全な変換チェーンを保存する | 最終的な座標を感覚で足したり引いたりすることはできません |
ホワイトマージンは入力戦略です
PillowのImageOps.expandは画像の外側に枠線を追加することができます。境界線の幅は独自のサンプルで検証する必要があり、固定ピクセル値をすべての OCR エンジンの要件と見なすことはできません。この記事では、補助エッジと座標変換を示すために小さな画像のみを使用し、認識精度を測定しません。
ピクセルがどこからどこへ移動するかを指定します
from PIL import Image, ImageOps
crop = Image.new("L", (20, 10), 255)
crop.putpixel((0, 0), 0)
padding = 4
padded = ImageOps.expand(crop, border=padding, fill=255)
assert padded.size == (28, 18)
assert padded.getpixel((padding, padding)) == 0
assert padded.getpixel((0, 0)) == 255
crop_origin = (100, 50)
def back_to_page(x, y):
return x - padding + crop_origin[0], y - padding + crop_origin[1]
assert back_to_page(4, 4) == (100, 50)
assert back_to_page(14, 9) == (110, 55)
assert crop.size == (20, 10)
この例では、トリミングと一定幅の縁取りのみが行われ、拡大縮小、回転、または透視変換は行われないことを前提としています。パイプラインにさらに多くのステップが含まれている場合は、最終座標にいくつかの数値を加算または減算するだけではなく、完全な変換チェーンを保存する必要があります。
トリミング境界を受け入れるにはどうすればよいですか?
| チェック項目 | 観察方法 | 障害対応 |
|---|---|---|
| 文字が切れない | 元のページを拡大してご覧ください | 作付範囲を拡大する |
| テキストが枠線で覆われていない | ピクセルと寸法を比較する | エッジの実装を修正 |
| 原点が正しく記録されている | 既知のコーナーポイントを使用したバックマッピング | 操作の順序を確認する |
| 空白スペースに認識ボックスが表示されます | ノイズが入っていないか確認してください | テキストとして直接認識されない |
領域のトリミングとコンテンツの理解を同一視しないでください
金額の横にある通貨記号がクリッピング領域の外にある場合があります。 OCR で数値が正しく識別されたとしても、ビジネス フィールドはまだ不完全です。トリミング ルールでは、テキストの黒いピクセルの境界四角形だけでなく、ラベルと単位も考慮する必要があります。
翻訳レビューではコンテキストが保持されます
OmniDoc (製品ポータル)を使用してスキャンした素材を処理する場合、最初に自分で領域の前処理を行う場合は、ページ全体の画像と切り抜きソースを保持する必要があります。査読者は、特定の単語を翻訳する方法を知る必要があるだけでなく、それがヘッダー、脚注、または本文に属するかどうかを知る必要もあります。適切なマージンとソース座標は、曖昧さを軽減するのに役立つ情報です。
📊 コアの比較
| 比較品 | ぴったりと合うようにカット | 余白を確保して埋め込みます |
|---|---|---|
| テキストとエッジの関係 | 文字の横に空白がほとんどない | テキストの周囲にスペースを残す |
| 認識パフォーマンスへの影響 | タイトカットしても認識効果が必ずしも向上するとは限らない | 独自のサンプルで検証する必要がある |
| 記録要件の調整 | トリミングオフセットを記録する必要があります | トリミングとトリミングのオフセットを同時に記録する必要がある |
| 主なリスク | 文字やラベルが切れる場合があります | 境界線がテキストを覆う可能性があるため、エッジの実装を確認する必要があります。 |
🎯 どの方法があなたに適していますか?
もしあなたが……
認識結果をページ全体に描画したい場合
各トリミングとトリミングのオフセットを必ず保存し、バック マッピングの検証には既知のコーナー ポイントを使用してください。
表のセルのテキストが枠線で囲まれている場合
まず端を埋めてみて、次に拡大を使用して文字が完全であるかどうかを確認します。
金額や単位などのビジネス分野を扱う場合。
通貨記号や単位などのラベルを切り抜き範囲に含めます。テキストピクセルを囲む四角形だけを見ないでください。
パイプラインにスケーリング、回転、または透視変換がある場合
最終的な座標だけを修正するのではなく、完全な変換チェーンを保存してください。
❓ よくある質問 (FAQ)
1. トリミング中に空白を残すと認識効果は確実に向上しますか?
不確かな。表のセルを厳密にトリミングしても、必ずしも認識が向上するとは限りません。境界線の幅は独自のサンプルで検証する必要があります。
2. トリミングやトリミングを行うと認識枠がずれてしまうのはなぜですか?
トリミングやエッジフィルを行うと座標原点が変更されるためです。これらの変更が保存されていない場合、認識結果がページ全体に戻されたときに一見ランダムなオフセットが表示されます。
3. 統一された補助ピクセル値はありますか?
いいえ。固定ピクセル値をすべての OCR エンジンの要件と見なすことはできません。独自のサンプルに基づいている必要があります。
4. トリミング境界が適切かどうかを確認するにはどうすればよいですか?
元のページをズームインして文字が切り取られているかどうかを確認したり、ピクセルとサイズを比較して境界線がテキストを覆っているかどうかを確認したり、既知のコーナーポイントを使用してマップバックして元のレコードを検証したりできます。
5. パイプラインにスケーリングまたは回転が含まれている場合はどうなりますか?
最終的な座標に対して単に感覚で数値を加算したり減算したりするのではなく、完全な変換チェーンを保存する必要があります。
📝 概要
トリミング境界には適切な空白スペースを残し、座標の変更を完全に保存する必要があります。どちらも欠かせないものです。各処理後、合格項目に応じて審査され、後工程に引き継がれます。


