Как да почистим сканирано PDF (Премахване на шум, Изправяне на страници)
Сканираните PDF файлове изглеждат разхвърляно - наклонени страници, петнисти фонове, избледнели текстове. Ето как да ги почистите за професионален и четим резултат.
Сканирали сте купчина документи и резултатът изглежда... груб. Страниците са леко наклонени. Белите фонове имат жълтеникав оттенък с петънца и точки. Текст, който е бил перфектно ясен на хартия, изглежда избледнял и размазан на екрана. Тъмни сенки се появяват по краищата, където страницата не е лежала плоско върху стъклото на скенера.
Това е реалността при сканирането. Дори добри скенери с внимателни оператори дават несъвършени резултати. Хартията се измества при подаване. Плоските скенери улавят всяка прашинка. По-старите документи имат пожълтяла хартия, избледняло мастило и физически повреди, които скенерът вярно възпроизвежда. Резултатът е PDF файл, който е технически функционален, но изглежда непрофесионално и може да бъде труден за четене.
Почистването на сканирано PDF превръща тези разхвърляни сканирания в чисти, професионални документи - с прави страници, бели фонове, ясен текст и без артефакти по ръбовете. Още по-добре, чистите сканирания дават драматично по-добри резултати, ако по-късно приложите OCR, за да направите текста търсим и избираем.
Ето как да почистите сканираните си PDF файлове, какво прави всяка стъпка за почистване и кога да комбинирате почистването с OCR.
Защо сканираните PDF файлове се нуждаят от почистване
Разбирането на причините за разхвърляността ви помага да знаете кои стъпки за почистване са най-важни за вашите документи.
Наклон (Наклонени страници)
Когато хартията преминава през скенер за документи под дори лек ъгъл - половин градус е достатъчен, за да бъде забележим - полученият образ е наклонен. Това се случва до известна степен с всеки автоматичен подавач на документи (ADF). Човешкото око е изненадващо чувствително към наклона - страница, наклонена само на един градус, изглежда очевидно крива, което прави документа да се усеща небрежен и непрофесионален.
Наклонът също така причинява хаос в точността на OCR. OCR енджините очакват текстът да върви в хоризонтални редове. Когато цялата страница е завъртяна, алгоритмите за разпознаване на текст се затрудняват да идентифицират границите на редовете, което води до объркани думи, пропуснати символи и прекъснати параграфи.
Шум (Петънца и точки)
Шумът от скенера идва от множество източници: прах върху стъклото на скенера, текстура на хартията, уловена при висока резолюция, електрически шум в сензора на скенера и артефакти от оптиката на сканиране. Резултатът са случайни точки и петънца, разпръснати по страницата - най-видими на бели фонове, но присъстващи в целия образ.
Шумът е особено проблематичен в белите полета и между редовете текст, където създава визуална претрупаност. За OCR, точките от шума могат да бъдат погрешно интерпретирани като препинателни знаци, диакритични знаци или части от символи - често срещан източник на OCR грешки.
Избледнели текстове
С времето мастилото избледнява. Лазерните принтове издържат добре, но мастиленоструйните принтове, фотокопията и въглеродните копия избледняват значително. Дори сравнително скорошни документи могат да имат неравномерна плътност на печата - по-тъмни, където тонерът е бил прясно нанесен, по-светли, където е свършвал.
Избледнелият текст е труден за четене на екран и се печата зле. Той също намалява точността на OCR, тъй като алгоритмите се нуждаят от ясен контраст между текст и фон, за да разпознават надеждно символите.
Тъмни полета и сенки
Когато страницата не покрива цялата повърхност на скенера - или когато гръбчето на книга създава сянка - сканирането улавя тъмни полета и сенчести области. Това са чисто артефакти от процеса на сканиране и не служат за нищо в документа. Те хабят тонер при печат и правят документа да изглежда като копие на копие.
Неравномерен фон
Хартията не е перфектно бяла. По-старите документи са пожълтели. Рециклираната хартия има сивкав оттенък. Някои документи са цветни. Когато се сканират, тези вариации на фона се улавят като пикселни данни - добавяйки мегабайти към размера на файла, без да допринасят нищо за четимостта.
Четирите стъпки за почистване
Инструментът Clean Scanned PDF на PDFSub обработва документи през четири етапа на почистване, всеки от които е насочен към специфичен тип артефакт от сканиране.
Стъпка 1: Изправяне (Deskew - Изправяне на страници)
Deskew засича доминиращия ъгъл на текста на всяка страница и завърта образа, за да направи текста перфектно хоризонтален. Алгоритъмът анализира разпределението на тъмните пиксели (текст) по страницата, определя необходимия ъгъл на завъртане и го прилага с точност до част от градуса.
Повечето страници се нуждаят от корекция от 0.3 до 2 градуса. Процесът е автоматичен - не е нужно да посочвате ъгъла. Всяка страница се анализира и коригира независимо, така че документ, където страница 3 е наклонена наляво, а страница 7 е наклонена надясно, получава и двете корекции правилно.
Какво ще забележите: Редове текст, които изглеждаха леко диагонални, стават перфектно хоризонтални. Подобрението е незабавно видимо и прави документа да изглежда значително по-професионален.
Стъпка 2: Премахване на шум (Denoise - Премахване на петънца)
Denoise идентифицира и премахва малки изолирани маркировки, които не са част от съдържанието на документа. Алгоритъмът различава шума (случайни малки точки) от действителното съдържание (текст, линии, изображения) въз основа на размер, форма и контекст.
Ключовото предизвикателство е премахването на шума, без да се увреждат фини детайли като точки, запетаи, десетични знаци и диакритични знаци. Енджинът за почистване на PDFSub използва адаптивно прагово ниво, което отчита околния контекст - малка точка в средата на бяло поле е шум, докато малка точка в края на изречение е точка.
Какво ще забележите: Фоноветe стават по-чисти, полетата изглеждат по-ясни, а общият документ изглежда по-малко "зърнест". При силно шумни сканирания подобрението е драматично.
Стъпка 3: Подобряване на контраста (Enhance Contrast)
Подобряването на контраста увеличава разликата между текста (тъмен) и фона (светъл). Това прави избледнелия текст по-четим и създава по-ясно визуално разделение между съдържанието и фона.
Подобряването е адаптивно - то регулира интензивността въз основа на локалните характеристики на изображението. Част от страницата с удебелен текст получава по-малко подобрение от част с лек, избледнял текст. Това предотвратява превръщането на вече тъмен текст в разширени петна, като същевременно прави избледнелия текст четим.
Какво ще забележите: Текстът изглежда по-ясен и по-черен. Избледнелите части стават четими. Фонът изглежда по-ярък и по-равномерен.
Стъпка 4: Почистване на полета (Clean Borders - Премахване на тъмни ръбове)
Почистването на полета засича и премахва тъмните области около краищата на сканираните страници - сенки от капака на скенера, черни ленти от страници, по-малки от зоната на сканиране, и сенчести артефакти от гръбчета на книги.
Алгоритъмът идентифицира границата на съдържанието на страницата и заменя всичко извън нея с чисто бяло пространство. Това премахва артефактите по ръбовете, като същевременно запазва съдържание, което достига до ръба на страницата (като заглавки, долни колонтитули или бележки в полетата).
Какво ще забележите: Тъмните ръбове изчезват. Страницата има чисти, равномерни полета. Печатният изход вече няма разсейващи полета.
Как да почистим сканирано PDF с PDFSub
Инструкции стъпка по стъпка
Стъпка 1: Отворете инструмента. Отидете на pdfsub.com/tools/clean-scan.
Стъпка 2: Качете сканираното си PDF. Плъзнете и пуснете файла или кликнете, за да потърсите. PDF файлът се качва на сигурните сървъри за обработка на PDFSub.
Стъпка 3: Изберете опции за почистване. Изберете кои стъпки за почистване да приложите. Всички четири са активирани по подразбиране, но можете да деактивирате всяка стъпка, ако е необходимо. За повечето сканирани документи всичките четири стъпки дават най-добри резултати.
Стъпка 4: Обработка. Кликнете върху бутона за почистване. PDFSub Engine обработва всяка страница през избраните стъпки. Времето за обработка зависи от броя на страниците и тяхната резолюция - очаквайте приблизително 2-3 секунди на страница.
Стъпка 5: Преглед и изтегляне. Прегледайте почистените страници, за да проверите резултатите. Изтеглете чистия PDF.
Кога да персонализираме стъпките за почистване
Деактивирайте изправянето (deskew), ако сканиранията ви вече са перфектно подравнени (например от професионален скенер за документи с добро подравняване) или ако документът съдържа наклонено съдържание, което трябва да остане наклонено (като диагонални водни знаци).
Деактивирайте премахването на шум (denoising), ако документът съдържа много фини детайли, които могат да бъдат сбъркани с шум - точкова графика, хартирани снимки или документи с умишлено текстуриран фон.
Намалете подобряването на контраста, ако оригиналното сканиране вече има добър контраст. Прекаленото подобряване може да направи текста да изглежда по-дебел от предвиденото.
Деактивирайте почистването на полета, ако документът има съдържание, което достига до самия ръб на страницата, или ако тъмните полета съдържат полезна информация (като режещи марки или регистриращи марки).
Комбиниране на почистване с OCR
Една от най-убедителните причини за почистване на сканирани PDF файлове е драматичното подобрение в точността на OCR. OCR енджините работят, като анализират формите на символите спрямо база данни с познати форми на букви. Всичко, което влошава формите на символите - шум, наклон, нисък контраст или артефакти по ръбовете - влошава точността на OCR.
Подобрение на точността
Почистването на сканирано PDF преди стартиране на OCR обикновено подобрява точността на разпознаване на символи с 5-15 процентни пункта. При силно шумно или наклонено сканиране подобрението може да бъде още по-драматично.
- Само корекцията на наклона може да подобри точността на OCR с 3-8%. OCR енджините очакват хоризонтални текстови редове - дори лек наклон причинява грешки при сегментирането на думите.
- Премахването на шума предотвратява фалшивото разпознаване на символи. Случайни точки в полетата не се идентифицират погрешно като букви или препинателни знаци.
- Подобряването на контраста помага на OCR енджина да различава символите от фона, особено при избледнели или светли текстове.
Препоръчителният работен процес
За най-добри резултати, първо почистете сканирането, след това стартирайте OCR:
- Качете сканираното PDF в Clean Scanned PDF инструмента на PDFSub
- Изтеглете почистената версия
- Качете почистеното PDF в OCR инструмента на PDFSub
- Изтеглете търсимия, избираем PDF файл
Този двуетапен процес дава по-добри резултати, отколкото стартирането на OCR директно върху разхвърляно сканиране.
Чести сценарии
Сканиране на офис документи
Най-честият случай: договори, писма, формуляри и доклади, сканирани на офис многофункционален принтер. Те обикновено се нуждаят от всичките четири стъпки за почистване - ADF въвежда наклон, скенерът добавя шум, а документи, сканирани с лицето надолу на плоския скенер, имат сенки по ръбовете.
Страници от книги и списания
Сканирането на свързани материали създава уникални артефакти: извитата страница близо до гръбчето създава изкривяване и сянка, страниците могат да бъдат леко наклонени от ъгъла на подвързването, а дебелото гръбче създава тъмна лента по единия ръб. Почистването на полетата и изправянето са особено важни за тези сканирания.
Исторически и архивни документи
Старите документи имат пожълтяла хартия, избледняло мастило, фоксинг (кафяви петна от стареене) и физически повреди. Подобряването на контраста е най-въздействащата стъпка за тези документи - то връща избледнелия текст към четимост. Внимателно премахвайте шума при исторически документи, тъй като някои визуални артефакти може да са исторически значими.
Касови бележки и термични разпечатки
Термичната хартия (използвана в принтерите за касови бележки) избледнява бързо и се сканира зле. Текстът често е светло сив, а не черен, а хартията придобива петнист вид. Агресивното подобряване на контраста и премахването на шума работят добре за термични разпечатки, тъй като рядко има фини детайли за запазване.
Многостранични формуляри
Правителствени формуляри, данъчни документи и пакети с заявления често имат предварително отпечатани кутии, линии и защриховани области, които усложняват почистването. Енджинът за почистване се справя добре с тях - предварително отпечатаните елементи са достатъчно големи, за да оцелеят при премахването на шум, а изправянето подравнява целия формуляр правилно.
Често задавани въпроси
Ще промени ли почистването съдържанието на моя документ?
Не. Почистването засяга само визуалното качество на сканирания образ - изправя, премахва шум, подобрява контраста и почиства полетата. То не добавя, премахва или променя текст или съдържание. Информацията на страницата остава абсолютно същата.
Мога ли да почистя PDF файл, който не е сканиран?
Инструментът за почистване е предназначен за сканирани PDF файлове - документи, където всяка страница е растерно изображение. Той няма да навреди на несканиран PDF, но стъпките за почистване са специално проектирани за артефакти от сканиране и няма да подобрят значително PDF файл, създаден от цифрови източници (като експорт от Word).
Колко намалява размерът на файла почистването?
Варира, но почистването обикновено намалява размера на файла с 20-40%. Премахването на шум елиминира хиляди ненужни пиксели на страница. Почистването на полетата премахва големи тъмни области. Подобряването на контраста може да подобри ефективността на компресията, като създаде по-равномерни фонове. Сканиран документ от 50 страници, който е бил 80 MB, може да намалее до 50-60 MB след почистване.
Работи ли почистването при цветни сканирания?
Да. Всичките четири стъпки за почистване работят върху цветни, сиви и черно-бели сканирания. Цветните сканирания се възползват особено от нормализирането на фона и почистването на полетата. Подобряването на контраста се прилага по начин, който запазва цветовата информация, като същевременно подобрява четимостта на текста.
Мога ли да отменя почистването, ако не харесвам резултата?
Почистването създава нов файл - оригиналният ви PDF никога не се променя. Ако почистването не е задоволително, просто се върнете към оригиналния си файл. Поради тази причина винаги пазете оригиналното сканиране заедно с почистената версия.
Резюме
Почистването на сканирани PDF файлове е четиристепенен процес, който превръща разхвърляните сканирания в професионални документи:
| Стъпка | Какво коригира | Ефект |
|---|---|---|
| Изправяне (Deskew) | Наклонени страници | Правилен, професионален вид |
| Премахване на шум (Denoise) | Петънца и точки | Чисти фонове, по-ясен текст |
| Подобряване (Enhance) | Избледнели текстове с нисък контраст | Четлив, печатаем резултат |
| Почистване на полета (Clean borders) | Тъмни ръбове и сенки | Равни полета, без артефакти |
Всяка стъпка е независима и може да бъде включена или изключена. За повечето сканирани документи, изпълнението на всичките четири стъпки дава най-добрия резултат. Почистеният резултат е с по-малък размер на файла, по-професионален вид и дава драматично по-добри OCR резултати, ако по-късно се нуждаете от търсим текст.
Готови ли сте да почистите сканиранията си? Опитайте инструмента Clean Scanned PDF на PDFSub - качете сканираното си PDF и получете чист, професионален резултат за секунди.