Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Optimierung der OCR-Genauigkeit

Lektion 8 von 16 Aktualisiert am 3. November 2026 Entwickler
Auf dieser Seite
  1. Die Eingabequalität bestimmt die Ausgabequalität
  2. Auflösung und Vorverarbeitung
  3. Anpassung der Konfiguration an den Dokumententyp
  4. Verarbeitung von Volumina
  5. Verifizieren vor der Ausnutzung
  6. Operative Zusammenfassung
  7. Kernaussagen

Update vom 2. November 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) wurde am 30. September 2026 eingestellt. Nutzen Sie OCR 4.1 (mistral-ocr-4-1), der seit dem 31. August zum gleichen Preis allgemein verfügbar ist, oder den Alias mistral-ocr-latest, der seit dem 16. Juli darauf verweist. OCR 4.1 fügt Vertrauenswerte auf Blockebene hinzu. Ergänzung vom 3. November 2026: Ein lokales PDF wird im Base64-Format als {"type": "document_url", "document_url": "data:application/pdf;base64,…"} übermittelt; der Typ document_base64 aus älteren Beispielen existiert weder in der Dokumentation noch im mistralai SDK, und diese Beispiele wären fehlgeschlagen. Quellen: OCR Processor · Document QnA.

Die Eingabequalität bestimmt die Ausgabequalität

Das Mistral-Team hat dies während ihres Webinars zu Document AI unmissverständlich formuliert: „Garbage in, garbage out.” Unabhängig von der Leistungsfähigkeit des Modells kann es keine Informationen wiederherstellen, die die Scan-Operation nicht erfasst hat. Wenn ein Extraktionsprojekt unterdurchschnittlich abschneidet, liegt die Ursache fast immer oberhalb der API – ein verblichener Fotokopie, ein neu gescanntes Fax oder ein Foto, das in einem schlecht beleuchteten Lagerhaus schräg aufgenommen wurde. Diese Lektion behandelt die Hebel, die die Genauigkeit tatsächlich beeinflussen.

Auflösung und Vorverarbeitung

Der erste Hebel ist die Scan-Auflösung. Die Ziele hängen davon ab, was das Dokument enthält:

  • Gedruckte Dokumente: Minimum 200 DPI, empfohlen 300 DPI
  • Handschrift: Minimum 300 DPI
  • Komplexe Tabellen: Empfohlen 300 DPI
  • Historische Dokumente: 400 DPI oder höher

Unter diesen Werten verschwinden feine Linien, und keine Softwareverarbeitung kann sie wiederherstellen. Ein höherer Wert vergrößt die Dateigröße meist nur. Wenn Sie die Scan-Kette kontrollieren, spart Ihnen die korrekte Einrichtung des Scanners weitaus mehr Ärger als irgendein Programmiertrick.

Wenn das Dokument bereits digitalisiert ankommt, kann die Bildvorverarbeitung einige Verluste wiedergutmachen. Die folgende Funktion verknüpft vier klassische Operationen – Grauwertumwandlung, Kontrastverbesserung, Schärfung und Binarisierung – und gibt das Bild als Base64-Code zurück, bereit für den OCR-Aufruf:

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")

Testen Sie diese Verarbeitung an einer Probe, bevor Sie sie auf einen gesamten Batch anwenden. Binarisierung ist insbesondere brutal: Bei einem bereits scharfen Dokument bringt sie nichts hinzu, und bei einem Bleistift-Dokument kann sie den Text vollständig löschen.

Die Ausrichtung ist die andere Korrektur, die Sie nicht vernachlässigen sollten. Scans kommen oft um 90 oder 180 Grad verdreht an, und die Ausrichtungsinformation ist in der Regel in den EXIF-Metadaten des Bildes gespeichert:

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

Der breite try-Block ist hier gerechtfertigt: Viele Bilder haben keine EXIF-Daten, und fehlende Ausrichtungsdaten sollten die Batch-Verarbeitung nicht unterbrechen.

Anpassung der Konfiguration an den Dokumententyp

Bei gängigen gedruckten Dokumenten – Rechnungen, Verträge, Berichte – reduziert sich die optimale Konfiguration darauf, die Tabellenextraktion explizit anzufordern, anstatt sich auf die Standardeinstellungen zu verlassen:

# 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
)

Handschrift erfordert mehr Sorgfalt im Vorfeld. Scannen Sie mit mindestens 300 DPI, erhöhen Sie den Kontrast zwischen Tinte und Papier, aber lassen Sie die aggressive Binarisierung aus dem vorherigen Skript weg: Sie löscht feine Kugelschreiberstriche, und Sie verlieren mehr Informationen, als Sie gewinnen. Das Modell selbst bewältigt Handschrift gut, einschließlich mehrsprachigen Textes, was bei früheren OCR-Generationen nicht selbstverständlich war.

Dann gibt es stark degradierte Scans – Archive, zerknitterte Dokumente, Kopien von Kopien. Die Strategie ändert sich: Beginnen Sie damit, Rauschen mit einem Medianfilter zu reduzieren, bevor Sie den Kontrast erhöhen, und erhöhen Sie dann die Helligkeit, wenn das Ganze immer noch zu dunkel ist.

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

Die Reihenfolge ist wichtig: Wenn Sie den Kontrast vor der Rauschunterdrückung erhöhen, stärken Sie die Flecken genauso wie die Buchstaben.

Verarbeitung von Volumina

Sobald die Anzahl der Dateien eine Handvoll überschreitet, benötigen Sie eine Batch-Verarbeitung mit Fehlerbehandlung pro Datei. Bei sehr großen Volumina bietet Mistral den Batch-Inference-Service an; das folgende Skript zeigt die grundlegende Logik für einen Ordner mit PDFs, bei dem jeder Fehler in den Ergebnissen protokolliert wird, anstatt den Loop zu unterbrechen:

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

Dieses Ergebnis-Dict gibt Ihnen am Ende der Verarbeitung die genaue Liste der Dateien, die erneut bearbeitet werden müssen. Bei einem Batch von mehreren hundert Dokumenten ist das der Unterschied zwischen dem Neustart von drei Dateien und dem Neustart von vorne.

Verifizieren vor der Ausnutzung

Eine Extraktion, die technisch erfolgreich war, kann in der Praxis gescheitert sein: eine leere Seite wurde für einen unlesbaren Scan zurückgegeben, oder es ergab sich eine Flut von Müllzeichen auf einem verrauschten Bild. Ein paar einfache Heuristiken reichen aus, um eine automatische Warnung auszulösen.

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

Die beiden Schwellenwerte sind hinweisend und müssen an Ihren Korpus angepasst werden: Zehn Wörter pro Vertragsseite signalisieren ein Problem, aber nicht für ein Lieferschein, das nur fünfzehn enthält.

Operative Zusammenfassung

Erinnern Sie sich an die Kette in ihrer logischen Reihenfolge. Scannen Sie bei jedem nicht-trivialen Dokument mit mindestens 300 DPI und erhöhen Sie den Kontrast, bevor Sie senden, wenn das Dokument verblichen ist. Korrigieren Sie den Rotationswinkel der Scans. Bevorzugen Sie immer das native PDF gegenüber einem Scan, wenn verfügbar: Seine Qualität ist strukturell überlegen. Geben Sie table_format="markdown" oder "html" explizit an, wenn Tabellen involviert sind. Verarbeiten Sie in Batches und parallelisieren Sie Aufrufe für große Volumina. Und validieren Sie systematisch die Extraktionsqualität, bevor Sie sie in Ihr Informationssystem einspeisen – schlechte Daten kosten mehr als fehlende Daten.

Kernaussagen

  • Die Qualität des Quelldokuments ist der primäre Faktor für die Genauigkeit
  • Bildvorverarbeitung (Kontrast, Schärfe, Binarisierung) verbessert die Ergebnisse
  • Passen Sie Ihren Ansatz an den Dokumententyp an (gedruckt, handschriftlich, degradiert)
  • Nutzen Sie Batch-Verarbeitung für große Volumina
  • Validieren Sie die Extraktionsqualität immer vor der Nutzung