Хуучин скан хийсэн PDF файлыг хэрхэн цэвэрлэх (тоос, хуудас хазайсан байдлыг арилгах)

Та баримт бичгүүдийг скан хийсэн боловч үр дүн нь тийм ч сайн гараагүй байна. Хуудаснууд нь бага зэрэг хазайсан. Цагаан дэвсгэр нь шар өнгөтэй, толботой болсон. Цаасан дээр тод байсан текст нь дэлгэцэн дээр бүдгэрч, бүрэлзсэн харагдана. Хуудас нь сканнерийн шилэн дээр бүрэн дарж байрлаагүйгээс ирмэгүүд дагуу харанхуй сүүдэр үүсчээ.

Энэ бол скан хийх бодит байдал. Сайн сканнер, туршлагатай оператор ч гэсэн төгс бус үр дүнг гаргадаг. Цаас нь дамжих явцад шилжинэ. Хавтгай сканнер нь тоосны ширхэг бүрийг барьж авдаг. Хуучин баримт бичгүүдийн цаас шарласан, бэх нь бүдгэрсэн, физик гэмтэлтэй байдаг бөгөөд сканнер үүнийг бүгдийг нь үнэн зөв хуулбарладаг. Үүний үр дүнд техникийн хувьд ашиглагдах боломжтой боловч мэргэжлийн бус харагддаг, уншихад хэцүү PDF үүсдэг.

Скан хийсэн PDF файлыг цэвэрлэх нь иймэрхүү муухай скангуудыг цэвэрхэн, мэргэжлийн баримт бичиг болгон хувиргадаг — хуудас нь тэгш, дэвсгэр нь цагаан, текст нь тод, ирмэгүүд нь цэвэрхэн болно. Бүр илүү сайн нь, хэрэв та дараа нь текстийг хайх боломжтой болгохын тулд OCR хийхээр болвол цэвэр скан нь илүү үр дүнтэй болно.

Скан хийсэн PDF файлаа хэрхэн цэвэрлэх, цэвэрлэх алхам тус бүр юу хийдэг, мөн хэзээ цэвэрлэхийг OCR-тай хослуулах талаар энд тайлбарласан.

Яагаад скан хийсэн PDF файлуудыг цэвэрлэх шаардлагатай вэ?

Юу нь ийм муухай байдлыг бий болгодог болохыг ойлгосноор таны баримт бичигт аль цэвэрлэх алхамууд чухал болохыг мэдэх болно.

Хазайлт (Хуудас налуурах)

Баримт бичгийн сканнерээр цаас нь бага зэрэг өнцгөөр орж ирэхэд — хагас градус ч гэсэн мэдэгдэхүйц байдаг — үүссэн зураг нь налуу болдог. Автомат баримт бичиг дамжуулагч (ADF) нь тодорхой хэмжээгээр үүнийг хийдэг. Хүний нүд хазайлтад маш мэдрэмтгий байдаг — ердөө нэг градус налуу хуудас нь илт муруй харагдаж, баримт бичгийг чанаргүй, мэргэжлийн бус харагдуулдаг.

Хазайлт нь мөн OCR-ын нарийвчлалд ихээхэн хохирол учруулдаг. OCR системүүд текстийг хэвтээ шугамаар урсахыг хүлээдэг. Хуудас бүхэлдээ эргэхэд, текст таних алгоритм нь шугамын хил хязгаарыг тодорхойлоход хүндрэлтэй болж, үгс холилдсон, тэмдэгтүүд алдагдсан, өгүүлбэрүүд тасарсан байдал үүсдэг.

Тохиргоо (Толбо ба цэгүүд)

Сканнерийн тохиргоо нь олон эх үүсвэрээс үүсдэг: сканнерийн шилэн дээрх тоос, өндөр нягтралтайгаар харагддаг цаасны бүтэц, сканнерийн мэдрэгч дэх цахилгаан тохиргоо, мөн скан хийх оптик системээс үүссэн артефакт. Үүний үр дүнд хуудас даяар тархсан санамсаргүй цэгүүд болон толбо үүсдэг — цагаан дэвсгэр дээр хамгийн их харагддаг боловч зураг даяар байдаг.

Тохиргоо нь ялангуяа цагаан ирмэгүүд болон текст шугамуудын хооронд харагддаг бөгөөд энэ нь харааны эмх замбараагүй байдлыг бий болгодог. OCR-ын хувьд тохиргооны цэгүүд нь цэг таслал, диакритик тэмдэгтүүд, эсвэл тэмдэгтүүдийн хэсэг гэж андуурч болно — энэ нь OCR алдааны түгээмэл эх үүсвэр юм.

Бүдгэрсэн текст

Цаг хугацаа өнгөрөхөд бэх нь бүдгэрдэг. Лазер хэвлэлт сайн хадгалагддаг боловч inkjet хэвлэлт, хувилагч, нүүрстөрөгчийн хуулбарууд ихээхэн бүдэрдэг. Хамгийн сүүлийн үеийн баримт бичгүүд ч гэсэн жигд бус хэвлэлийн нягтралтай байж болно — тонер нь шинэ байхад бараан, харин бага байхад бүдгэрсэн.

Бүдгэрсэн текст нь дэлгэцэн дээр уншихад хэцүү бөгөөд хэвлэхэд муу байдаг. Энэ нь мөн OCR-ын нарийвчлалыг бууруулдаг, учин нь алгоритмууд тэмдэгтүүдийг найдвартай танихад текст болон дэвсгэр хоорондын тодорхой ялгааг шаарддаг.

Харанхуй ирмэгүүд ба сүүдэр

Хуудас нь сканнерийн бүх гадаргууг хамардаггүй эсвэл номын нуруу нь сүүдэр үүсгэдэг үед — скан нь харанхуй ирмэгүүд болон сүүдэртэй бүсүүдийг хуулбарладаг. Эдгээр нь зөвхөн скан хийх процессын артефакт бөгөөд баримт бичигт ямар ч ашиг тусаа өгдөггүй. Хэвлэхэд тонер үрэгддэг бөгөөд баримт бичиг нь хуулбарын хуулбар шиг харагддаг.

Жигд бус дэвсгэр

Цаас нь төгс цагаан байдаггүй. Хуучин баримт бичгүүд шарласан байдаг. Дахин боловсруулсан цаас нь саарал өнгөтэй байдаг. Зарим баримт бичгүүд нь өнгөт цаастай байдаг. Скан хийх үед эдгээр дэвсгэрийн өөрчлөлтүүд нь пикселийн өгөгдөл болгон хуулбарлагддаг — файлын хэмжээг мегабайтаар нэмэгдүүлдэг боловч уншигдахуйд ямар ч хувь нэмэр оруулдаггүй.

Цэвэрлэх дөрвөн алхам

PDFSub-ын Скан хийсэн PDF цэвэрлэх хэрэгсэл нь баримт бичгийг дөрвөн цэвэрлэх шатаар боловсруулдаг бөгөөд тус бүр нь тодорхой төрлийн скан артефакт руу чиглэдэг.

Алхам 1: Тэгшлэх (Хуудас тэгшлэх)

Тэгшлэх нь хуудас дахь хамгийн их текстийн өнцгийг илрүүлж, текстийг төгс хэвтээ болгохын тулд зургийг эргүүлдэг. Алгоритм нь хуудас дахь харанхуй пикселийн (текст) тархалтыг шинжилж, шаардлагатай эргэлтийн өнцгийг тодорхойлж, градусын нарийвчлалтайгаар хэрэглэнэ.

Ихэнх хуудас нь 0.3-2 градусын залруулга шаарддаг. Процесс нь автомат бөгөөд та өнцгийг зааж өгөх шаардлагагүй. Хуудас бүр бие даан шинжлэгдэж, залруулдаг тул 3-р хуудас зүүн тийш хазайсан, 7-р хуудас баруун тийш хазайсан баримт бичиг нь хоёуланг нь зөв залруулдаг.

Та юу анзаарах вэ: Бага зэрэг диагональ харагддаг текст шугамууд нь төгс хэвтээ болно. Сайжруулалт нь шууд харагдах бөгөөд баримт бичгийг илүү мэргэжлийн харагдуулдаг.

Алхам 2: Тохиргоо арилгах (Толбо арилгах)

Тохиргоо арилгах нь баримт бичгийн агуулгын хэсэг биш жижиг тусгаарлагдсан тэмдэгтүүдийг илрүүлж арилгадаг. Алгоритм нь хэмжээ, хэлбэр, контекст дээр үндэслэн тохиргоо (санамсаргүй жижиг цэгүүд) болон бодит агуулга (текст, шугам, зураг) хоорондыг ялгадаг.

Үндсэн сорилт нь цэг, таслал, бутархай тэмдэгт, диакритик тэмдэгтүүд зэрэг нарийн дэлгэрэнгүй мэдээллийг гэмтээлгүйгээр тохиргоог арилгах явдал юм. PDFSub-ын цэвэрлэх систем нь орчны контекстийг харгалзан үйлдэгдэх чадвартай прайминг ашигладаг — цагаан захын дунд байрлах жижиг цэг нь тохиргоо, харин өгүүлбэрийн төгсгөлд байрлах жижиг цэг нь цэг байдаг.

Та юу анзаарах вэ: Дээд тал нь цэвэрхэн болно, зах нь илүү тод харагдана, баримт бичиг нь бага "буурцагтай" харагдана. Их хэмжээний тохиргоотой скан дээр сайжруулалт нь гайхалтай.

Алхам 3: Контрастыг сайжруулах

Контрастыг сайжруулах нь текст (бараан) болон дэвсгэр (гэрэл) хоорондын ялгааг нэмэгдүүлдэг. Энэ нь бүдгэрсэн текстийг уншигдахуйц болгож, агуулга болон дэвсгэр хооронд илүү цэвэр харааны ялгааг бий болгодог.

Сайжруулалт нь үйлдэгдэх чадвартай — энэ нь орон нутгийн дүрсийн шинж чанаруудад үндэслэн эрчмийг тохируулдаг. Тод тексттэй хуудасны хэсэг нь бүдгэрсэн, сул тексттэй хэсгээс бага сайжруулалт авдаг. Энэ нь аль хэдийн бараан байсан текстийг том бөөгнөрөл болгохоос сэргийлдэг бөгөөд бүдгэрсэн текстийг уншигдахуйц контраст руу авчирдаг.

Та юу анзаарах вэ: Текст нь илүү тод, бараан харагдана. Бүдгэрсэн хэсгүүд нь уншигдахуйц болно. Дээд тал нь илүү тод, жигд харагдана.

Алхам 4: Ирмэгийг цэвэрлэх (Харанхуй ирмэгүүдийг арилгах)

Ирмэгийг цэвэрлэх нь скан хийсэн хуудасны ирмэгүүдийн харанхуй бүсүүдийг — сканнерийн таглаагаас үүссэн сүүдэр, скан хийх талбайгаас жижиг хуудасны хар зураас, номын нуруунаас үүссэн сүүдэртэй артефакт зэргийг илрүүлж арилгадаг.

Алгоритм нь хуудасны агуулгын хил хязгаарыг илрүүлж, түүний гадна талын бүх зүйлийг цэвэр цагаан зайгаар сольдог. Энэ нь ирмэгийн артефактүүдийг арилгадаг бөгөөд хуудасны ирмэг хүртэл үргэлжилдэг агуулгыг (жишээлбэл, гарчиг, доод талын тэмдэглэл, эсвэл захын тэмдэглэл) хадгалдаг.

Та юу анзаарах вэ: Харанхуй ирмэгүүд алга болно. Хуудас нь цэвэр, жигд захтай болно. Хэвлэсэн бүтээгдэхүүн нь анхаарал сарниулахгүй ирмэгүүдтэй болно.

PDFSub ашиглан скан хийсэн PDF файлыг хэрхэн цэвэрлэх

Алхам алхмаар зааварчилгаа

Алхам 1: Хэрэгслийг нээнэ үү. pdfsub.com/tools/clean-scan руу очно уу.

Алхам 2: Скан хийсэн PDF файлаа байршуулна уу. Файлыг чирч оруулах эсвэл хайх товчийг дарна уу. PDF нь PDFSub-ын аюулгүй боловсруулалтын серверүүд рүү байршина.

Алхам 3: Цэвэрлэх сонголтуудыг сонгоно уу. Аль цэвэрлэх алхмуудыг хэрэглэхээ сонгоно уу. Бүх дөрвөн алхам нь анхдагчаар идэвхжсэн байдаг, гэхдээ та шаардлагатай бол аливаа алхмыг идэвхгүй болгож болно. Ихэнх скан хийсэн баримт бичгүүдийн хувьд бүх дөрвөн алхам нь хамгийн сайн үр дүнг өгдөг.

Алхам 4: Боловсруулна уу. Цэвэрлэх товчийг дарна уу. PDFSub Engine нь сонгогдсон алхмуудаар хуудас бүрийг боловсруулна. Боловсруулах хугацаа нь хуудасны тоо болон тэдгээрийн нягтралаас хамаарна — хуудас тутамд ойролцоогоор 2-3 секунд хүлээгдээрэй.

Алхам 5: Хянаж, татна уу. Үр дүнг баталгаажуулахын тулд цэвэрлэсэн хуудсыг урьдчилан харна уу. Цэвэр PDF файлыг татна уу.

Хэзээ цэвэрлэх алхмуудыг тохируулах вэ?

Тэгшлэхийг идэвхгүй болгоно уу хэрэв таны скан аль хэдийн төгс тэгш бол (жишээлбэл, сайн тэгшлэлтэй мэргэжлийн баримт бичиг сканнераас) эсвэл баримт бичиг нь тэгш байх ёстой налуу агуулгатай бол (жишээлбэл, диагональ усны тэмдэг).

Тохиргоо арилгахыг идэвхгүй болгоно уу хэрэв баримт бичиг нь маш нарийн дэлгэрэнгүй мэдээлэл агуулсан бол, үүнийг тохиргоо гэж андуурч болно — цэгтэй зураг, хагас тонны зураг, эсвэл зориудаар бүтэцтэй дэвсгэртэй баримт бичиг.

Контраст сайжруулалтыг бууруулна уу хэрэв анхны скан нь аль хэдийн сайн контрасттай байсан бол. Хэт их сайжруулалт нь текстийг санаснаас илүү зузаан харагдуулж болно.

Ирмэг цэвэрлэхийг идэвхгүй болгоно уу хэрэв баримт бичиг нь хуудасны ирмэг хүртэл агуулгатай бол, эсвэл харанхуй ирмэгүүд нь ашигтай мэдээлэл агуулсан бол (жишээлбэл, огтлох тэмдэгтүүд эсвэл бүртгэлийн тэмдэгтүүд).

Цэвэрлэхийг OCR-тай хослуулах

Скан хийсэн PDF файлыг цэвэрлэх хамгийн чухал шалтгаануудын нэг бол OCR нарийвчлалыг гайхалтай сайжруулдаг явдал юм. OCR системүүд нь тэмдэгтүүдийн хэлбэрийг таних мэдээллийн сан дахь танигдсан үсгийн хэлбэртэй харьцуулан шинжилдэг. Тэмдэгтүүдийн хэлбэрийг дордуулдаг аливаа зүйл — тохиргоо, хазайлт, бага контраст, эсвэл ирмэгийн артефактүүд — OCR нарийвчлалыг бууруулдаг.

Нарийвчлалын сайжруулалт

OCR хийхээс өмнө скан хийсэн PDF файлыг цэвэрлэх нь ихэвчлэн тэмдэгт таних нарийвчлалыг 5-15 хувийн оноогоор сайжруулдаг. Их хэмжээний тохиргоотой эсвэл хазайлттай скан дээр сайжруулалт нь бүр илүү гайхалтай байж болно.

Зөвхөн хазайлт залруулах нь OCR нарийвчлалыг 3-8% сайжруулж чадна. OCR системүүд хэвтээ текст шугамуудыг хүлээдэг — бага зэрэг хазайлт ч гэсэн үг хуваах алдаа үүсгэдэг.
Тохиргоо арилгах нь буруу тэмдэгт танихаас сэргийлдэг. Зах дахь санамсаргүй цэгүүд нь үсэг эсвэл цэг таслал гэж андуурч харагддаггүй.
Контраст сайжруулах нь OCR системд тэмдэгтүүдийг дэвсгэрээс ялгахад тусалдаг, ялангуяа бүдгэрсэн эсвэл цайвар тексттэй үед.

Санал болгож буй ажлын урсгал

Хамгийн сайн үр дүнд хүрэхийн тулд эхлээд скан хийж цэвэрлэж, дараа нь OCR хийнэ:

Скан хийсэн PDF файлаа PDFSub-ын Скан хийсэн PDF цэвэрлэх хэрэгсэл руу байршуулна уу.
Цэвэрлэсэн хувилбарыг татна уу.
Цэвэрлэсэн PDF файлыг PDFSub-ын OCR хэрэгсэл руу байршуулна уу.
Хайх боломжтой, сонгох боломжтой PDF файлыг татна уу.

Энэ хоёр алхамт үйл явц нь муухай скан дээр шууд OCR хийхээс илүү сайн үр дүнг өгдөг.

Түгээмэл тохиолдлууд

Албан тасалгааны баримт бичгийн скан

Хамгийн түгээмэл тохиолдол: гэрээ, захидал, маягт, тайлан зэргийг албан тасалгааны олон үйлдэлт принтер дээр скан хийсэн. Эдгээр нь ихэвчлэн бүх дөрвөн цэвэрлэх алхмыг шаарддаг — ADF нь хазайлт үүсгэдэг, сканнер нь тохиргоо нэмдэг, мөн хавтгай сканнер дээр нүүрээр нь доош скан хийсэн баримт бичгүүд нь ирмэгийн сүүдэртэй байдаг.

Ном ба сэтгүүлийн хуудас

Боодолтой материалыг скан хийх нь өвөрмөц артефакт үүсгэдэг: нурууны ойролцоох муруй хуудас нь гажилт ба сүүдэр үүсгэдэг, хуудаснууд нь холбогдох өнцгөөс бага зэрэг хазайсан байж болно, мөн зузаан нуруу нь нэг ирмэгийн дагуу харанхуй тууз үүсгэдэг. Эдгээр скангуудын хувьд ирмэг цэвэрлэх ба тэгшлэх нь ялангуяа чухал юм.

Түүхэн ба архивын баримт бичиг

Хуучин баримт бичгүүд нь шарласан цаас, бүдгэрсэн бэх, фоксинг (хөгшрөлтийн улмаас үүссэн хүрэн толбо), мөн физик гэмтэлтэй байдаг. Эдгээр баримт бичгүүдийн хувьд контраст сайжруулалт нь хамгийн нөлөөтэй алхам юм — энэ нь бүдгэрсэн текстийг уншигдахуйц болгодог. Түүхэн баримт бичгүүд дээр тохиргоог болгоомжтой арилгана уу, учин нь зарим харааны артефакт нь түүхэн ач холбогдолтой байж болно.

Нэхэмжлэх ба дулааны хэвлэлт

Дулааны цаас (нэхэмжлэлийн принтерүүдэд ашиглагддаг) нь хурдан бүдэрч, муу скан хийдэг. Текст нь ихэвчлэн хар биш, харин цайвар саарал байдаг бөгөөд цаас нь толботой харагддаг. Контраст сайжруулалт ба тохиргоо арилгах нь дулааны хэвлэлтүүдийн хувьд сайн ажилладаг, учин нь хадгалах нарийн дэлгэрэнгүй зүйл байдаггүй.

Олон хуудаст маягт

Засгийн газрын маягт, татварын баримт бичиг, өргөдлийн багцууд нь ихэвчлэн цэвэрлэхэд хүндрэл учруулдаг урьдчилан хэвлэгдсэн хайрцаг, шугам, сүүдэртэй байдаг. Цэвэрлэх систем нь эдгээрийг сайн зохицуулдаг — урьдчилан хэвлэгдсэн элементүүд нь тохиргоо арилгах боломжтой байхаар том байдаг бөгөөд тэгшлэх нь бүх маягтыг зөв тэгш болгодог.

Түгээмэл асуултууд

Цэвэрлэх нь миний баримт бичгийн агуулгыг өөрчлөх үү?

Үгүй. Цэвэрлэх нь зөвхөн скан хийсэн дүрсийн харааны чанарт нөлөөлдөг — энэ нь тэгшилж, тохиргоог арилгаж, контрастыг сайжруулж, ирмэгийг цэвэрлэдэг. Энэ нь ямар ч текст эсвэл агуулгыг нэмэх, хасах, өөрчлөхгүй. Хуудас дээрх мэдээлэл яг хэвээрээ байна.

Би скан хийгээгүй PDF файлыг цэвэрлэж чадах уу?

Цэвэрлэх хэрэгсэл нь скан хийсэн PDF файлууд буюу хуудас бүр нь растер зураг байдаг баримт бичгүүдэд зориулагдсан. Энэ нь скан хийгээгүй PDF файлыг гэмтээхгүй, гэхдээ цэвэрлэх алхмууд нь скан артефактүүдэд зориулагдсан бөгөөд дижитал эх үүсвэрээс (жишээлбэл, Word экспорт) үүссэн PDF файлыг утга учиртай сайжруулахгүй.

Цэвэрлэх нь файлын хэмжээг хэр их бууруулдаг вэ?

Энэ нь өөр өөр байдаг боловч цэвэрлэх нь ихэвчлэн файлын хэмжээг 20-40% бууруулдаг. Тохиргоо арилгах нь хуудас тутамд мянга мянган шаардлагагүй пикселийг арилгадаг. Ирмэг цэвэрлэх нь том харанхуй бүсүүдийг арилгадаг. Контраст сайжруулалт нь илүү жигд дэвсгэр үүсгэснээр компрессийн үр ашгийг нэмэгдүүлж чадна. 80 MB байсан 50 хуудаст скан хийсэн баримт бичиг нь цэвэрлэсний дараа 50-60 MB болж буурах боломжтой.

Цэвэрлэх нь өнгөт скан дээр ажилладаг уу?

Тийм ээ. Бүх дөрвөн цэвэрлэх алхам нь өнгөт, саарал, хар цагаан скан дээр ажилладаг. Өнгөт скан нь ялангуяа дэвсгэр нормалчлал ба ирмэг цэвэрлэхээс ашиг тустай. Контраст сайжруулалт нь өнгөт мэдээллийг хадгалахын зэрэгцээ текст уншигдахуйц байдлыг сайжруулах байдлаар хэрэглэгддэг.

Хэрэв үр дүн таалагдахгүй бол би цэвэрлэх үйлдлийг цуцлах боломжтой юу?

Цэвэрлэх нь шинэ файлыг үүсгэдэг — таны анхны PDF хэзээ ч өөрчлөгддөггүй. Хэрэв цэвэрлэх нь сэтгэл ханамжтай биш бол анхны файлаа буцааж аваарай. Ийм учраас цэвэрлэсэн хувилбарын хажуугаар анхны скан файлыг үргэлж хадгалж байгаарай.

Хураангуй

Скан хийсэн PDF файлыг цэвэрлэх нь муухай скангуудыг мэргэжлийн баримт бичиг болгон хувиргадаг дөрвөн алхамт үйл явц юм:

Алхам	Юуг засахад тусалдаг	Нөлөөлөл
Тэгшлэх	Хазайсан хуудас	Тэгш, мэргэжлийн харагдац
Тохиргоо арилгах	Толбо ба цэгүүд	Цэвэр дэвсгэр, тод текст
Сайжруулах	Бүдгэрсэн, бага контрасттай текст	Уншигдахуйц, хэвлэх боломжтой үр дүн
Ирмэг цэвэрлэх	Харанхуй ирмэгүүд ба сүүдэр	Жигд зах, артефактгүй байдал

Тухайн алхам нь бие даасан бөгөөд асаах/унтраах боломжтой. Ихэнх скан хийсэн баримт бичгүүдийн хувьд бүх дөрвөн алхмыг гүйцэтгэх нь хамгийн сайн үр дүнг өгдөг. Цэвэрлэсэн үр дүн нь файлын хэмжээ багатай, харагдах байдал нь илүү мэргэжлийн, мөн танд дараа нь хайх боломжтой текст хэрэгтэй бол OCR-ын үр дүнг гайхалтай сайжруулдаг.

Скан хийсэн файлуудаа цэвэрлэхэд бэлэн үү? PDFSub-ын Скан хийсэн PDF цэвэрлэх хэрэгслийг туршиж үзээрэй — скан хийсэн PDF файлаа байршуулж, хэдхэн секундын дотор цэвэр, мэргэжлийн үр дүнг аваарай.