Премини към основното съдържание
Български— Изберете език
Меню

Оптимизиране на точността на OCR

Урок 8 от 16 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Качеството на входа определя качеството на изхода
  2. Резолюция и предварителна обработка
  3. Адаптиране на конфигурацията към типа документ
  4. Обработка на обеми
  5. Проверка преди използване
  6. Оперативно обобщение
  7. Ключови изводи

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 псевдонима mistral-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,…"}; типът document_base64 от по-стари примери не съществува нито в документацията, нито в SDK на mistralai и 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