PDF-Texterkennung erkennt Stempel als Text: Wo liegt der Fehler?

Die Texterkennung verwechselt einen Stempel meist mit Schrift, weil der Abdruck tatsächlich buchstabenähnliche Formen enthält und die OCR keinen semantischen Unterschied zwischen Dokumenttext und grafischem Stempel kennt. Prüfe zuerst, ob nur die unsichtbare Textebene falsche Wörter enthält oder ob das sichtbare Dokument verändert wurde. Danach richtet sich der passende Lösungsweg.

Der entscheidende Test: sichtbares Bild oder OCR-Textebene?

Eine durchsuchbare Scan-PDF besteht häufig aus zwei Ebenen: dem sichtbaren Seitenbild und einer darüberliegenden oder unsichtbaren Textebene. Erkennt die OCR Teile des Stempels als Wörter, bleibt der Abdruck im Seitenbild normalerweise unverändert. Fehlerhaft ist dann nur der erkannte Text.

1. Suche in der PDF nach einem Wort, das vermeintlich aus dem Stempel stammt.
2. Markiere die Fundstelle und kopiere sie in einen einfachen Texteditor.
3. Prüfe, ob dort Buchstaben erscheinen, die im Stempel nur undeutlich oder gar nicht lesbar sind.
4. Blende in der verwendeten PDF-Software nach Möglichkeit die erkannten Textbereiche oder OCR-Ergebnisse ein.

Findet die Suche ein Fantasiewort, während der Stempel optisch unverändert aussieht, liegt der Fehler in der OCR-Textebene. Ist hingegen auch das sichtbare Seitenbild beschädigt, abgeschnitten oder überdeckt, handelt es sich nicht nur um eine falsche Texterkennung. Dann sollte die unveränderte Ausgangsdatei erneut verarbeitet werden.

Warum ein Stempel für die OCR wie normaler Text aussieht

OCR-Software wertet Formen, Abstände, Linien und Kontraste aus. Sie weiß ohne zusätzliche Layout- oder Zoneninformation nicht zuverlässig, ob eine Buchstabenfolge zum Fließtext, zu einem Siegel, zu einer Unterschrift oder zu einem Stempel gehört.

• Reale Schrift im Stempel: Firmenname, Datum, Aktenzeichen oder Ortsangaben sind echte Zeichen und werden folgerichtig als Textkandidaten behandelt.
• Überlagerung: Ein Stempel über gedrucktem Text verbindet Konturen. Aus Teilen beider Ebenen können neue, falsche Zeichen entstehen.
• Schräger oder ungleichmäßiger Abdruck: Unterbrechungen, ausgefranste Kanten und schwache Bereiche erschweren die Trennung einzelner Zeichen.
• Falsche Erkennungssprache: Passt das Sprachmodell nicht zum Dokument, ordnet die OCR mehrdeutige Zeichen häufiger unpassenden Wörtern zu.
• Ungeeignete Bildaufbereitung: Starke Kontrastanhebung oder Schwarzweiß-Umwandlung kann Stempellinien verdicken und sie mit benachbartem Text verbinden.

Das Verhalten ist daher nicht zwingend ein Defekt der PDF-Datei. Es kann eine Grenze der automatischen Layoutanalyse sein. Besonders schwierig sind runde Stempel, überlappende Datumsfelder und schwache farbige Abdrücke auf dicht bedruckten Seiten.

Welche Korrektur zum Prüfergebnis passt

Der Stempel soll überhaupt nicht durchsuchbar sein

Die sauberste Lösung ist eine zonenbasierte Texterkennung, bei der der Stempelbereich nicht als Textzone definiert wird. Manche OCR-Programme erlauben, Erkennungsbereiche vor dem Start festzulegen oder automatisch erkannte Bereiche nachträglich in Bildbereiche umzuwandeln. Die Bezeichnung und Verfügbarkeit dieser Funktion unterscheiden sich je nach Programm und Version.

Fehlt eine Zonensteuerung, lässt sich die betreffende Seite in einer OCR-Anwendung mit manueller Layoutanalyse bearbeiten. Der Stempel bleibt dabei Teil des Seitenbildes, erhält aber keine eigene Textebene. Bei vielen gleich aufgebauten Seiten kann eine feste Ausschlusszone helfen, sofern der Stempel immer an derselben Position steht. Wechselt seine Lage, muss jede Seite kontrolliert werden.

Nur einzelne falsche Wörter stören

Kann das Programm den erkannten Text bearbeiten, entferne ausschließlich die falschen OCR-Zeichen im Stempelbereich. Lösche nicht versehentlich das sichtbare Stempelbild. Speichere zunächst eine Kopie und prüfe danach Suche, Kopieren und Textausgabe erneut.

Eine vollständige Wiederholung der OCR ist sinnvoll, wenn der Stempel mit benachbartem Fließtext verschmolzen wurde. Einzelne Zeichen zu löschen kann dann Wortreihenfolge und Auswahlbereiche fehlerhaft zurücklassen.

Die OCR soll den lesbaren Stempeltext erfassen

In diesem Fall ist nicht jede Erkennung des Stempels ein Fehler. Entscheidend ist, ob das Ergebnis inhaltlich stimmt. Stelle die Dokumentsprache passend ein, richte schräg gescannte Seiten aus und verwende nach Möglichkeit das farbige oder graustufige Original statt einer stark verdichteten Schwarzweißkopie.

Liegt der Stempel über anderem Text, kann die OCR beide Inhalte häufig nicht zuverlässig voneinander trennen. Dann ist eine manuelle Korrektur oder eine gesonderte Erfassung des Stempelinhalts belastbarer als wiederholte automatische Erkennungsversuche.

Fehlerquelle mit einer kleinen Gegenprobe eingrenzen

Verarbeite eine einzelne betroffene Seite als Testkopie. Führe die OCR einmal mit der passenden Sprache und ohne aggressive Bildbereinigung aus. Falls die Software Erkennungszonen unterstützt, markiere den normalen Dokumenttext als Text und den Stempel als Bild beziehungsweise ausgeschlossenen Bereich.

• Verschwindet der falsche Suchtreffer, war die automatische Bereichserkennung die Hauptursache.
• Bleibt er trotz Ausschlusszone erhalten, enthält die Datei möglicherweise noch eine ältere Textebene. Erzeuge die Testkopie aus dem unveränderten Scan und führe die OCR nur einmal aus.
• Entstehen die Fehler ausschließlich nach Schwarzweiß- oder Kontrastbearbeitung, ist die Vorverarbeitung zu stark.
• Treten sie auch bei einem sauberen Einzelbild auf, erreicht die Erkennung bei dieser Überlagerung wahrscheinlich ihre Grenze.

Eine bereits erkannte PDF mehrfach mit verschiedenen OCR-Programmen zu bearbeiten, ist keine gute Gegenprobe. Dabei können mehrere Textebenen oder widersprüchliche Zeichenpositionen entstehen. Ausgangspunkt sollte immer eine Kopie des ursprünglichen Scans ohne vorhandene OCR-Ebene sein.

Adobe Acrobat und andere OCR-Programme richtig einordnen

In Adobe Acrobat liegen die einschlägigen Funktionen je nach Oberfläche und Version im Werkzeugbereich für Scan und OCR beziehungsweise Texterkennung. Prüfe dort die Erkennungssprache und die Ausgabeoptionen. Adobe Acrobat Reader bietet nicht denselben Bearbeitungsumfang wie die kostenpflichtigen Acrobat-Varianten; eine vorhandene Textebene lässt sich im Reader vor allem prüfen, nicht in jedem Fall gezielt korrigieren.

Bei anderer OCR-Software sind die wiederauffindbaren Begriffe meist Layoutanalyse, Erkennungsbereiche, Textzonen, Bildzonen oder Bereichseditor. Gibt es diese Funktionen nicht, bleibt als verlässlicher Weg die OCR in einer Anwendung mit manueller Zonenbearbeitung oder die nachträgliche Korrektur der erkannten Textebene.

Wann die falschen Treffer nicht ignoriert werden sollten

Ein einzelner unsichtbarer OCR-Fehler verändert das sichtbare Dokument zwar nicht, kann aber Suche, Indexierung, Vorlesen, Export und automatische Dokumentverarbeitung verfälschen. Bei archivierten Akten, barrierefreien Dokumenten oder PDFs, deren Inhalt automatisiert ausgelesen wird, sollte die Textebene deshalb geprüft und bereinigt werden.

Für die Qualitätskontrolle reicht ein optischer Blick nicht aus. Suche nach typischen Bestandteilen des Stempels, kopiere verdächtige Bereiche und kontrolliere die Lesereihenfolge in der Textausgabe. Der Fehler gilt erst als behoben, wenn der Stempel entsprechend dem gewünschten Ergebnis entweder korrekt erfasst oder vollständig aus der durchsuchbaren Textebene ausgeschlossen ist.