Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Az OCR pontosságának optimalizálása

8. lecke 16 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A bemeneti minőség meghatározza a kimeneti minőséget
  2. Felbontás és előfeldolgozás
  3. A konfiguráció igazítása a dokumentum típusához
  4. Nagy mennyiségek feldolgozása
  5. Ellenőrzés használat előtt
  6. Operatív összefoglaló
  7. Főbb megállapítások

Frissítés: 2026. november 2. — OCR. Az OCR 4.0 (mistral-ocr-4-0) modelljét 2026. szeptember 30-án nyugdíjazták. Használd az OCR 4.1 (mistral-ocr-4-1) verziót, amely augusztus 31. óta általánosan elérhető ugyanazon az áron, vagy a mistral-ocr-latest aliast, amely július 16. óta erre mutat. Az OCR 4.1 blokk szintű megbízhatósági pontszámokat (confidence scores) is biztosít. Kiegészítés: 2026. november 3.: A helyi PDF-fájlokat base64 kódolással kell elküldeni a következő formátumban: {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; a régebbi példákban szereplő document_base64 típus sem a dokumentációban, sem a mistralai SDK-ban nem létezik, és ezek a példák hibát okoztak volna. Források: OCR Processor · Document QnA.

A bemeneti minőség meghatározza a kimeneti minőséget

A Mistral csapata a Document AI webináriumukon egyértelműen fogalmazott: „szemetet be, szemetet ki“ (garbage in, garbage out). Bármilyen erős is a modell, nem tudja visszanyerni azokat az információkat, amelyeket a szkennelés során nem rögzítettek. Ha egy kinyerési projekt gyengén teljesít, az ok szinte mindig az API előtt keresendő: egy elhalványult fénymásolat, egy újra szkennelt fax, vagy egy rosszul megvilágított raktárban, ferde szögből készített fotó. Ez a lecke azokat a tényezőket tárgyalja, amelyek ténylegesen befolyásolják a pontosságot.

Felbontás és előfeldolgozás

Az első tényező a szkennelési felbontás. A célok attól függnek, mit tartalmaz a dokumentum:

  • Nyomtatott dokumentumok: minimum 200 DPI, ajánlott 300 DPI
  • Kézírással készült dokumentumok: minimum 300 DPI
  • Összetett táblázatok: ajánlott 300 DPI
  • Történelmi dokumentumok: 400 DPI vagy magasabb

Ezen értékek alatt a vékony vonalak eltűnnek, és semmilyen szoftveres utófeldolgozás nem képes visszaállítani őket. A magasabb felbontás használata főleg csak a fájlméretet növeli. Ha te irányítod a szkennelési folyamatot, a szkener megfelelő beállítása sokkal több gondot spórol meg, mint bármilyen kódolási trükk.

Amikor a dokumentum már digitalizálva érkezik, a képek előfeldolgozása segíthet javítani a helyzeten. Az alábbi függvény négy klasszikus műveletet láncol össze – szürkeárnyalatos konverzió, kontrasztnövelés, élesítés és binarizálás – mielőtt visszaadná a base64-ben kódolt képet, készen az OCR hívásra:

from PIL import Image, ImageEnhance, ImageFilter
import io
import base64

def pre_process_image(image_path: str) -> str:
    """Előfeldolgoz egy képet az OCR kinyerés javítása érdekében."""
    img = Image.open(image_path)

    # 1. Konverzió szürkeárnyalatossá
    img = img.convert("L")

    # 2. Kontraszt növelése
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(1.5)

    # 3. Élesség növelése
    img = img.filter(ImageFilter.SHARPEN)

    # 4. Binarizálás (küszöbölés)
    img = img.point(lambda x: 0 if x < 128 else 255, "1")

    # Konverzió base64-be
    buffer = io.BytesIO()
    img.save(buffer, format="PNG")
    return base64.b64encode(buffer.getvalue()).decode("utf-8")

Mielőtt egy teljes kötegre alkalmaznád, teszteld ezt a feldolgozást egy mintán. A binarizálás különösen drasztikus: egy eleve éles dokumentumon semmit nem javít, egy ceruzával írt dokumentumon pedig teljesen eltüntetheti a szöveget.

A tájolás egy másik korrekció, amelyet nem szabad elhanyagolni. A szkennelt képek gyakran 90 vagy 180 fokkal elforgatva érkeznek, és a tájolási információ általában a kép EXIF metaadataiban található:

from PIL import Image

def correct_orientation(image_path: str) -> Image.Image:
    """Kijavítja a szkennelt kép tájolását az EXIF metaadatok alapján."""
    img = Image.open(image_path)

    # EXIF adatok használata a tájolás kijavításához
    try:
        exif = img._getexif()
        if exif:
            orientation = exif.get(274)  # EXIF tájolási címke
            rotations = {3: 180, 6: 270, 8: 90}
            if orientation in rotations:
                img = img.rotate(rotations[orientation], expand=True)
    except (AttributeError, KeyError):
        pass

    return img

A széles try blokk itt indokolt: sok képnek nincs EXIF adata, és a hiányzó tájolási adatoknak nem szabad megszakítaniuk a kötegelt feldolgozást.

A konfiguráció igazítása a dokumentum típusához

A gyakori nyomtatott dokumentumok – számlák, szerződések, jelentések – esetén az optimális konfiguráció arra redukálódik, hogy explicit módon kérjük a táblázatok kinyerését a alapértelmezett beállítások helyett:

# Optimális konfiguráció nyomtatott dokumentumokhoz
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 táblázat kinyerés
)

A kézírással készült dokumentumok több előkészítést igényelnek. Szkennelj legalább 300 DPI felbontásban, növeld a tinta és a papír közötti kontrasztot, de hagyd ki az előző szkript agresszív binarizálását: az eltünteti a vékony golyóstoll vonalakat, és több információt veszítesz, mint amennyit nyersz. Maga a modell jól kezeli a kézírást, beleértve a többnyelvű szövegeket is, ami az előző OCR generációknál nem volt magától értetődő.

Aztán ott vannak a súlyosan sérült szkennelések – archívumok, gyűrött dokumentumok, másolatok másolatai. Itt megváltozik a stratégia: először csökkentsd a zajt egy medián szűrővel, mielőtt növelnéd a kontrasztot, majd növeld a fényerőt, ha az egész kép még mindig túl sötét.

from PIL import Image, ImageFilter, ImageEnhance

def improve_scan(path: str) -> Image.Image:
    """Javít egy alacsony minőségű szkennelésen."""
    img = Image.open(path)

    # Zajcsökkentés
    img = img.filter(ImageFilter.MedianFilter(size=3))

    # Kontraszt növelése
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(2.0)

    # Fényerő növelése, ha túl sötét
    enhancer = ImageEnhance.Brightness(img)
    img = enhancer.enhance(1.2)

    return img

A sorrend számít: ha a zaj eltávolítása előtt növeled a kontrasztot, azzal ugyanúgy felerősíted a foltokat, mint a betűket.

Nagy mennyiségek feldolgozása

Ha a fájlok száma meghalad néhány darabot, szükség van kötegelt feldolgozásra, fájlonkénti hibakezeléssel. Nagyon nagy mennyiségek esetén a Mistral a Batch Inference szolgáltatást kínálja; az alábbi szkript egy PDF mappákra vonatkozó alaplogikát mutat, ahol minden hiba naplózásra kerül az eredményekben, ahelyett, hogy megszakítaná a ciklust:

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:
    """Feldolgoz egy mappában lévő összes PDF fájlt."""
    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

Ez az eredmény szótár a feldolgozás végén pontos listát ad arról, mely fájlokat kell újrapróbálni. Több száz dokumentumból álló kötegnél ez a különbség aközött, hogy három fájlt futtatsz újra, vagy az egészet elölről kezded.

Ellenőrzés használat előtt

Egy technikailag sikeres kinyerés a gyakorlatban sikertelen lehet: egy olvashatatlan szkennelésnél üres oldal tér vissza, vagy egy zajos képen karakterzavarok özöne jelenik meg. Néhány egyszerű heurisztika elegendő egy automatikus riasztás kiváltásához.

def verify_quality(markdown: str) -> dict:
    """Ellenőrzi az OCR kinyerés minőségét."""
    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),
    }

    # Riasztások
    if indicators["words"] < 10:
        indicators["alert"] = "Nagyon kevés szöveg lett kinyerve"
    elif indicators["special_chars_ratio"] > 0.3:
        indicators["alert"] = "Magas arányú speciális karakterek"

    return indicators

A két küszöbérték tájékoztató jellegű, és a te korpuszodhoz kell igazítani: tíz szó egy szerződés oldalán problémát jelez, de nem egy fuvarlevélnél, amely csak tizenöt szót tartalmaz.

Operatív összefoglaló

Ne feledd a láncolatot logikai sorrendben. Szkennelj legalább 300 DPI felbontásban bármilyen nem triviális dokumentum esetén, és halvány dokumentumoknál küldés előtt növeld a kontrasztot. Javítsd a szkennelt képek forgásszögét. Ha elérhető, mindig részesítsd előnyben a natív PDF-et a szkennelt változattal szemben: annak minősége szerkezetileg jobb. Explicit módon add meg a table_format="markdown" vagy "html" paramétert, amikor táblázatokkal van dolgod. Nagy mennyiségeknél dolgozz kötegekben, és párhuzamosítsd a hívásokat. És szisztematikusan validáld a kinyerés minőségét, mielőtt betáplálnád az információs rendszeredbe – a rossz adat többe kerül, mint a hiányzó adat.

Főbb megállapítások

  • A forrásdokumentum minősége a pontosság elsődleges tényezője
  • A képek előfeldolgozása (kontraszt, élesség, binarizálás) javítja az eredményeket
  • Igazítsd a megközelítésedet a dokumentum típusához (nyomtatott, kézírással készült, sérült)
  • Használj kötegelt feldolgozást nagy mennyiségek esetén
  • Mindig validáld a kinyerés minőségét használat előtt