Оптимизиране на точността на OCR
На тази страница
Актуализация от 2 ноември 2026 г. — OCR. Версия OCR 4.0 (
mistral-ocr-4-0) беше прекратена на 30 септември 2026 г. Използвайте OCR 4.1 (mistral-ocr-4-1), която е общодостъпна от 31 август на същата цена, или псевдонимаmistral-ocr-latest, който сочи към нея от 16 юли. OCR 4.1 добавя оценки за достоверност на ниво блок. Допълнение от 3 ноември 2026 г.: Локален PDF файл се предава в base64 като{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; типътdocument_base64от по-стари примери не съществува нито в документацията, нито в SDK наmistralaiи тези примери биха се провалили. Източници: OCR Processor · Document QnA.
Качеството на входа определя качеството на изхода
Екипът на Mistral го каза направо по време на своя уебинар за Document AI: „бокълк вътре, боклук вън“. Колкото и мощен да е моделът, той не може да възстанови информация, която сканирането не е успяло да улови. Когато един проект за извличане на данни не постига очакваните резултати, виновникът почти винаги се намира преди API call-а — избледняло фотокопие, повторно сканиран факс или снимка, направена под ъгъл в лошо осветен склад. Този урок обхваща лостовете, които действително влияят върху точността.
Резолюция и предварителна обработка
Първият лост е резолюцията на сканиране. Целевите стойности зависят от съдържанието на документа:
- Печатни документи: минимум 200 DPI, препоръчително 300 DPI
- Ръкописен текст: минимум 300 DPI
- Сложни таблици: препоръчително 300 DPI
- Исторически документи: 400 DPI или повече
Под тези стойности тънките линии изчезват и никакъв софтуерен процес не може да ги върне. По-високата резолюция основно само увеличава размера на файла. Ако контролирате веригата на сканиране, правилната настройка на скенера ще Ви спести много повече главоболия от всякакъв трик в кодирането.
Когато документът пристигне вече дигитализиран, предварителната обработка на изображението може да възстанови част от загубеното качество. Функцията по-долу свързва четири класически операции — преобразуване в нюанси на сивото, подобряване на контраста, изостряне и бинаризация — преди да върне изображението, кодирано в base64, готово за OCR заявката:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Pre-processes an image to improve OCR extraction."""
img = Image.open(image_path)
# 1. Convert to grayscale
img = img.convert("L")
# 2. Increase contrast
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Increase sharpness
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarization (thresholding)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Convert to base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Тествайте тази обработка върху извадка, преди да я приложите към цяла партида. Бинаризацията, в частност, е брутална: върху вече остър документ тя не добавя нищо, а върху документ, написан с молив, може напълно да изтрие текста.
Ориентацията е другата корекция, която не бива да пренебрегвате. Сканиранията често пристигат завъртени на 90 или 180 градуса, а информацията за ориентацията обикновено се съхранява в EXIF метаданните на изображението:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Corrects the orientation of a scanned image via EXIF metadata."""
img = Image.open(image_path)
# Use EXIF data to correct orientation
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # EXIF orientation tag
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
Широкият блок try е оправдан тук: много изображения нямат EXIF данни и липсата на данни за ориентация не трябва да прекъсва обработката на партидата.
Адаптиране на конфигурацията към типа документ
За обикновените печатни документи — фактури, договори, отчети — оптималната конфигурация се свежда до изрично заявяване на извличане на таблици, вместо да разчитате на настройките по подразбиране:
# Optimal configuration for printed documents
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
table_format="markdown" # Explicit table extraction
)
Ръкописният текст изисква повече грижи на предварителния етап. Сканирайте с минимум 300 DPI, увеличете контраста между мастилото и хартията, но пропуснете агресивната бинаризация от предишния скрипт: тя изтрива фините щрихи на химикалката и ще загубите повече информация, отколкото ще спечелите. Самият модел се справя добре с ръкопис, включително с многоезичен текст, което не беше даденост при предишните поколения OCR.
След това идват силно увредените сканирания — архиви, смачкани документи, копия на копия. Стратегията се променя: започнете с намаляване на шума чрез медианен филтър, преди да засилите контраста, след което увеличете яркостта, ако всичко остава твърде тъмно.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Improves a low-quality scan."""
img = Image.open(path)
# Noise reduction
img = img.filter(ImageFilter.MedianFilter(size=3))
# Increase contrast
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Increase brightness if too dark
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
Редът има значение: засилването на контраста преди премахването на шума просто укрепва петната толкова, колкото и буквите.
Обработка на обеми
След като броят на файловете надхвърли няколко, се нуждаете от пакетна обработка с обработка на грешки за всеки файл. За много големи обеми Mistral предлага услугата Batch Inference; следващият скрипт показва основната логика за папка с PDF файлове, където всеки неуспех се записва в резултатите, вместо да прекъсва цикъла:
import os
import json
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def process_folder(folder: str) -> dict:
"""Processes all PDFs in a folder."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Processing {file.name}...")
with open(file, "rb") as f:
import base64
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
try:
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
table_format="markdown"
)
results[file.name] = {
"pages": len(response.pages),
"content": "\n\n".join(
p.markdown for p in response.pages
)
}
except Exception as e:
results[file.name] = {"error": str(e)}
return results
Този речник с резултати Ви дава в края на обработката точния списък с файлове за повторен опит. При партида от няколкостотин документа това е разликата между повторното стартиране на три файла и започването отначало.
Проверка преди използване
Извличане, което е успяло технически, може да се е провалило на практика: върната е празна страница за нечетимо сканиране или порой от безсмислени символи върху шумно изображение. Няколко прости евристики са достатъчни, за да задействат автоматично предупреждение.
def verify_quality(markdown: str) -> dict:
"""Verifies the quality of an OCR extraction."""
indicators = {
"length": len(markdown),
"words": len(markdown.split()),
"empty_lines_ratio": markdown.count("\n\n") / max(len(markdown), 1),
"special_chars_ratio": sum(
1 for c in markdown if not c.isalnum() and c not in " \n\t.,;:!?-"
) / max(len(markdown), 1),
}
# Alerts
if indicators["words"] < 10:
indicators["alert"] = "Very little text extracted"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "High ratio of special characters"
return indicators
Двата прага са ориентировъчни и трябва да бъдат калибрирани спрямо Вашия корпус: десет думи за страница от договор сигнализират проблем, но не и за разписка за доставка, която съдържа само петнадесет.
Оперативно обобщение
Запомнете веригата в нейния логически ред. Сканирайте с минимум 300 DPI за всеки нетривиален документ и увеличете контраста преди изпращане, ако документът е избледнял. Коригирайте ъгъла на завъртане на сканиранията. Винаги предпочитайте нативния PDF пред сканирането, когато е наличен: неговото качество е структурно по-високо. Изрично посочвайте table_format="markdown" или "html", когато има участие на таблици. Обработвайте на партиди и паралелизирайте заявките за големи обеми. И систематично валидирайте качеството на извличането, преди да го подадете във Вашата информационна система — лошите данни струват повече от липсващите данни.
Ключови изводи
- Качеството на изходния документ е основният фактор за точността
- Предварителната обработка на изображението (контраст, острота, бинаризация) подобрява резултатите
- Адаптирайте подхода си към типа документ (печатен, ръкописен, увреден)
- Използвайте пакетна обработка за големи обеми
- Винаги валидирайте качеството на извличането преди употреба