Как очистить отсканированный PDF (удалить шум, выровнять страницы)
Отсканированные PDF-файлы выглядят неряшливо: перекошенные страницы, пятнистый фон, блеклый текст. Вот как привести их в порядок для профессионального и читаемого результата.
Вы отсканировали стопку документов, и результат выглядит... грубо. Страницы слегка наклонены. Белый фон имеет желтоватый оттенок с пятнами и точками. Текст, который был идеально четким на бумаге, выглядит блеклым и размытым на экране. Темные тени ползут по краям там, где страница не лежала ровно на стекле сканера.
Такова реальность сканирования. Даже хорошие сканеры с опытными операторами дают несовершенные результаты. Бумага смещается при подаче. Планшетные сканеры улавливают каждую пылинку. Старые документы имеют пожелтевшую бумагу, выцветшие чернила и физические повреждения, которые сканер добросовестно воспроизводит. В результате получается PDF-файл, который технически функционален, но выглядит непрофессионально и может быть трудночитаемым.
Очистка отсканированного PDF-файла превращает эти неряшливые сканы в чистые, профессиональные документы — с ровными страницами, белым фоном, четким текстом и без артефактов по краям. Более того, чистые сканы дают значительно лучшие результаты, если вы затем запустите OCR для поиска и выделения текста.
Вот как очистить ваши отсканированные PDF-файлы, что делает каждый этап очистки и когда сочетать очистку с OCR.
Зачем отсканированным PDF-файлам нужна очистка
Понимание того, что создает беспорядок, поможет вам определить, какие этапы очистки наиболее важны для ваших документов.
Перекос (Наклон страниц)
Когда бумага проходит через сканер документов под даже небольшим углом — полградуса достаточно, чтобы это было заметно — результирующее изображение наклонено. Это в некоторой степени происходит со всеми автоподатчиками документов (ADF). Человеческий глаз удивительно чувствителен к перекосу — страница, наклоненная всего на один градус, выглядит явно криво, что придает документу небрежный и непрофессиональный вид.
Перекос также сильно влияет на точность OCR. OCR-движки ожидают, что текст будет идти горизонтальными строками. Когда вся страница повернута, алгоритмы распознавания текста испытывают трудности с определением границ строк, что приводит к путанице слов, пропущенным символам и сломанным абзацам.
Шум (Пятна и точки)
Шум сканера возникает из-за множества источников: пыль на стекле сканера, текстура бумаги, уловленная при высоком разрешении, электрический шум в датчике сканера и артефакты от оптики сканирования. В результате по всей странице разбросаны случайные точки и пятна — наиболее заметные на белом фоне, но присутствующие по всему изображению.
Шум особенно проблематичен в белых полях и между строками текста, где он создает визуальный беспорядок. Для OCR точки шума могут быть ошибочно приняты за знаки препинания, диакритические знаки или части символов — распространенный источник ошибок OCR.
Блеклый текст
Со временем чернила выцветают. Лазерные принтеры хорошо держатся, но струйные принтеры, ксерокопии и копии на углеродной бумаге значительно выцветают. Даже относительно недавние документы могут иметь неравномерную плотность печати — темнее там, где тонер был свежим, светлее там, где он заканчивался.
Блеклый текст трудно читать на экране и плохо печатается. Он также снижает точность OCR, поскольку алгоритмам требуется четкий контраст между текстом и фоном для надежного распознавания символов.
Темные поля и тени
Когда страница не покрывает всю поверхность сканера — или когда корешок книги создает тень — скан захватывает темные поля и затененные области. Это чисто артефакты процесса сканирования и не несут никакой пользы для документа. Они расходуют тонер при печати и делают документ похожим на ксерокопию ксерокопии.
Неравномерный фон
Бумага не идеально белая. Старые документы пожелтели. Переработанная бумага имеет сероватый оттенок. Некоторые документы имеют цветную бумагу. При сканировании эти вариации фона захватываются как пиксельные данные — добавляя мегабайты к размеру файла, но не внося ничего в читаемость.
Четыре этапа очистки
Инструмент Clean Scanned PDF от PDFSub обрабатывает документы в четыре этапа очистки, каждый из которых нацелен на определенный тип артефактов сканирования.
Этап 1: Выравнивание (Выпрямление страниц)
Выравнивание определяет доминирующий угол наклона текста на каждой странице и поворачивает изображение, чтобы сделать текст идеально горизонтальным. Алгоритм анализирует распределение темных пикселей (текста) по странице, определяет необходимый угол поворота и применяет его с точностью до доли градуса.
Большинство страниц требуют коррекции от 0,3 до 2 градусов. Процесс автоматический — вам не нужно указывать угол. Каждая страница анализируется и корректируется независимо, поэтому документ, где страница 3 наклонена влево, а страница 7 — вправо, получает обе коррекции правильно.
Что вы заметите: Строки текста, которые выглядели слегка диагональными, становятся идеально горизонтальными. Улучшение мгновенно заметно и придает документу значительно более профессиональный вид.
Этап 2: Удаление шума (Удаление пятен)
Удаление шума идентифицирует и удаляет мелкие изолированные метки, которые не являются частью содержимого документа. Алгоритм различает шум (случайные мелкие точки) и фактическое содержимое (текст, линии, изображения) на основе размера, формы и контекста.
Ключевая задача — удалить шум, не повредив мелкие детали, такие как точки, запятые, десятичные знаки и диакритические знаки. Механизм очистки PDFSub использует адаптивную пороговую обработку, которая учитывает окружающий контекст — маленькая точка посреди белого поля является шумом, а маленькая точка в конце предложения — это точка.
Что вы заметите: Фон становится чище, поля выглядят четче, а общий документ кажется менее «зернистым». На сильно зашумленных сканах улучшение драматическое.
Этап 3: Улучшение контраста
Улучшение контраста увеличивает разницу между текстом (темным) и фоном (светлым). Это делает блеклый текст более читаемым и создает более четкое визуальное разделение между содержимым и фоном.
Улучшение адаптивное — оно регулирует интенсивность в зависимости от локальных характеристик изображения. Участок страницы с жирным текстом получает меньше улучшений, чем участок с блеклым, выцветшим текстом. Это предотвращает превращение уже темного текста в раздутые кляксы, одновременно повышая читаемость блеклого текста до нужного контраста.
Что вы заметите: Текст выглядит четче и чернее. Блеклые участки становятся читаемыми. Фон выглядит ярче и равномернее.
Этап 4: Очистка полей (Удаление темных краев)
Очистка полей обнаруживает и удаляет темные области по краям отсканированных страниц — тени от крышки сканера, черные полосы от страниц, меньших по размеру, чем область сканирования, и теневые артефакты от корешков книг.
Алгоритм идентифицирует границу содержимого страницы и заменяет все за ее пределами чистым белым пространством. Это удаляет артефакты полей, сохраняя при этом содержимое, которое доходит до края страницы (например, верхние и нижние колонтитулы или примечания на полях).
Что вы заметите: Темные края исчезают. Страница имеет чистые, равномерные поля. Печатный вывод больше не имеет отвлекающих полей.
Как очистить отсканированный PDF с помощью PDFSub
Пошаговые инструкции
Шаг 1: Откройте инструмент. Перейдите на pdfsub.com/tools/clean-scan.
Шаг 2: Загрузите отсканированный PDF. Перетащите файл или нажмите, чтобы выбрать. PDF будет загружен на защищенные серверы обработки PDFSub.
Шаг 3: Выберите параметры очистки. Выберите, какие шаги очистки применить. По умолчанию включены все четыре, но вы можете отключить любой шаг при необходимости. Для большинства отсканированных документов все четыре шага дают наилучшие результаты.
Шаг 4: Обработка. Нажмите кнопку очистки. PDFSub Engine обрабатывает каждую страницу с выбранными шагами. Время обработки зависит от количества страниц и их разрешения — ожидайте примерно 2-3 секунды на страницу.
Шаг 5: Просмотр и загрузка. Предварительно просмотрите очищенные страницы, чтобы убедиться в результате. Загрузите чистый PDF.
Когда настраивать шаги очистки
Отключите выравнивание, если ваши сканы уже идеально выровнены (например, с профессионального документного сканера с хорошим выравниванием) или если документ содержит наклонное содержимое, которое должно оставаться наклонным (например, диагональные водяные знаки).
Отключите удаление шума, если документ содержит очень мелкие детали, которые могут быть ошибочно приняты за шум — точечные рисунки, растровые фотографии или документы с намеренно текстурированным фоном.
Уменьшите улучшение контраста, если исходный скан уже имеет хороший контраст. Чрезмерное улучшение может сделать текст толще, чем предполагалось.
Отключите очистку полей, если документ содержит содержимое, доходящее до самого края страницы, или если темные поля содержат полезную информацию (например, обрезные метки или метки совмещения).
Сочетание очистки с OCR
Одной из самых убедительных причин для очистки отсканированных PDF-файлов является значительное повышение точности OCR. OCR-движки работают, анализируя формы символов по базе данных известных начертаний букв. Все, что ухудшает формы символов — шум, перекос, низкий контраст или артефакты полей — снижает точность OCR.
Улучшение точности
Очистка отсканированного PDF-файла перед запуском OCR обычно повышает точность распознавания символов на 5-15 процентных пунктов. На сильно зашумленном или перекошенном скане улучшение может быть еще более драматичным.
- Только коррекция перекоса может повысить точность OCR на 3-8%. OCR-движки ожидают горизонтальные строки текста — даже небольшой перекос вызывает ошибки сегментации слов.
- Удаление шума предотвращает ложное обнаружение символов. Случайные точки на полях не ошибочно идентифицируются как буквы или знаки препинания.
- Улучшение контраста помогает OCR-движку различать символы и фон, особенно при блеклом или светлом тексте.
Рекомендуемый рабочий процесс
Для достижения наилучших результатов сначала очистите скан, затем запустите OCR:
- Загрузите отсканированный PDF в инструмент Clean Scanned PDF от PDFSub
- Загрузите очищенную версию
- Загрузите очищенный PDF в инструмент OCR от PDFSub
- Загрузите PDF с возможностью поиска и выделения текста
Этот двухэтапный процесс дает лучшие результаты, чем запуск OCR непосредственно на неряшливом скане.
Распространенные сценарии
Сканы офисных документов
Самый распространенный случай: контракты, письма, формы и отчеты, отсканированные на офисном многофункциональном принтере. Обычно для них требуются все четыре этапа очистки — автоподатчик вносит перекос, сканер добавляет шум, а документы, отсканированные лицевой стороной вниз на планшете, имеют тени по краям.
Страницы книг и журналов
Сканирование переплетенных материалов создает уникальные артефакты: изогнутая страница у корешка вызывает искажение и тень, страницы могут быть слегка перекошены из-за угла переплета, а толстый корешок создает темную полосу вдоль одного края. Очистка полей и выравнивание особенно важны для этих сканов.
Исторические и архивные документы
Старые документы имеют пожелтевшую бумагу, выцветшие чернила, фоксинг (коричневые пятна от старения) и физические повреждения. Улучшение контраста — самый важный этап для этих документов — возвращает блеклый текст к читаемости. Осторожно удаляйте шум с исторических документов, так как некоторые визуальные артефакты могут иметь историческое значение.
Квитанции и термопечать
Термобумага (используемая в принтерах квитанций) быстро выцветает и плохо сканируется. Текст часто светло-серый, а не черный, а бумага приобретает пятнистый вид. Агрессивное улучшение контраста и удаление шума хорошо работают для термопечати, поскольку там редко сохраняются мелкие детали.
Многостраничные формы
Государственные формы, налоговые документы и пакеты заявок часто имеют предварительно напечатанные поля, линии и затенения, которые усложняют очистку. Механизм очистки хорошо справляется с этим — предварительно напечатанные элементы достаточно велики, чтобы пережить удаление шума, а выравнивание правильно выравнивает всю форму.
Часто задаваемые вопросы
Изменит ли очистка содержимое моего документа?
Нет. Очистка влияет только на визуальное качество отсканированного изображения — она выпрямляет, удаляет шум, улучшает контраст и очищает поля. Она не добавляет, не удаляет и не изменяет какой-либо текст или содержимое. Информация на странице остается точно такой же.
Могу ли я очистить PDF, который не был отсканирован?
Инструмент очистки предназначен для отсканированных PDF-файлов — документов, где каждая страница является растровым изображением. Он не повредит несканированный PDF, но шаги очистки специально разработаны для артефактов сканирования и не улучшат значимо PDF, созданный из цифровых источников (например, экспорт из Word).
Насколько очистка уменьшает размер файла?
Это варьируется, но очистка обычно уменьшает размер файла на 20-40%. Удаление шума устраняет тысячи ненужных пикселей на страницу. Очистка полей удаляет большие темные области. Улучшение контраста может повысить эффективность сжатия, создавая более равномерный фон. 50-страничный отсканированный документ размером 80 МБ может уменьшиться до 50-60 МБ после очистки.
Работает ли очистка на цветных сканах?
Да. Все четыре этапа очистки работают на цветных, оттенках серого и черно-белых сканах. Цветные сканы особенно выигрывают от нормализации фона и очистки полей. Улучшение контраста применяется таким образом, чтобы сохранить информацию о цвете, одновременно повышая читаемость текста.
Могу ли я отменить очистку, если мне не понравится результат?
Очистка создает новый файл — ваш исходный PDF никогда не изменяется. Если очистка неудовлетворительна, просто вернитесь к исходному файлу. По этой причине всегда храните исходный скан вместе с очищенной версией.
Итоги
Очистка отсканированных PDF-файлов — это четырехэтапный процесс, который превращает неряшливые сканы в профессиональные документы:
| Шаг | Что исправляет | Влияние |
|---|---|---|
| Выравнивание | Наклонные страницы | Прямой, профессиональный вид |
| Удаление шума | Пятна и точки | Чистый фон, более четкий текст |
| Улучшение | Блеклый текст с низким контрастом | Читаемый, печатаемый результат |
| Очистка полей | Темные края и тени | Равномерные поля, отсутствие артефактов |
Каждый шаг независим и может быть включен или выключен. Для большинства отсканированных документов наилучший результат дает выполнение всех четырех шагов. Очищенный результат имеет меньший размер файла, более профессиональный внешний вид и дает значительно лучшие результаты OCR, если вам позже потребуется поиск текста.
Готовы очистить свои сканы? Попробуйте инструмент Clean Scanned PDF от PDFSub — загрузите свой отсканированный PDF и получите чистый, профессиональный результат за считанные секунды.