如何：使用 C# 在 OCR 之前提高 PDF 质量

Question

我正在创建一个服务来监控文件夹中的扫描文件。一旦文件存在，该服务就会将其拾取，并将其转换为可读的 PDF。在此过程中，该服务还会搜索条形码。在此之后，提取文本并将文件及其文本存储到我们软件的数据库中。位置基于条形码。

现在，对于 OCR，我们使用 Atalasoft 的 SDK (http://www.atalasoft.com/)。 此 SDK 中还包含条码识别器。

但是转换后的文本还是有一些错误。 （我用其他 OCR 程序进行了一些测试，但 Atalasoft 表现不错。） 我正在寻找一些软件（SDK-kit），它可以让我提高用于 OCR 目的的 PDF 质量。

我测试了 Kofax VRS Elite (http://www.kofax.com/vrs-virtualrescan/)。我正在寻找类似的东西，但可以使用某种 SDK 套件在服务中实现。

以前有没有人这样做过，或者遇到过类似的问题？ 提前谢谢！

Answer 1

您可以尝试完全不同的路径：
看看您是否可以将扫描仪配置为直接扫描为 PDF 并即时执行 OCR。 Lexmark 扫描仪可以做到这一点。这将创建具有可选择和可搜索文本的 PDF。反过来，这可以通过 PDF 阅读库提取。

或者，您可能想看看http://www.abbyy.com/，看看您是否能得到更好的结果。

如果这些不是很好的选择，您可能需要系统地分解您的问题：
1. 扫描图像的图像质量有问题吗？如果是这样，则必须首先解决此问题。您的 OCR 解决方案可能会受到分辨率、对比度和颜色的影响。
2. 是OCR软件吗？拿一份清晰易读的文件，看看 OCR 软件是否出错。如果是这样，那么您知道您必须找到更好的 OCR 软件。
3. 如果您的文档质量不错，并且您的 OCR 软件在破译清晰文档方面的成功率很高，那么您可能需要查看不起作用的例外情况，并根据具体情况进行处理。

如果文档上的污迹和背景图像是问题的原因，您可能需要寻找避免这种情况的方法，或者使用公开 API 的图像处理软件进行清理。