Cómo funciona el OCR y por qué se equivoca

Los pasos dentro de un motor de OCR

• Preparación: la imagen se convierte a blanco y negro o a escala de grises para que las letras destaquen del fondo.
• Análisis de la maquetación: el motor encuentra bloques de texto, líneas y palabras.
• Reconocimiento: cada línea se lee, en los motores modernos mediante una red neuronal entrenada con muchos ejemplos de letras, y el idioma elegido ayuda a preferir las palabras probables.
• Resultado: los caracteres reconocidos se juntan en forma de texto.

Qué motor usa este sitio

Imagen a texto usa Tesseract, un conocido motor de OCR de código abierto que funciona en tu navegador como WebAssembly. En esta herramienta admite español, inglés, francés y alemán, y cada idioma necesita su propio archivo de datos, que se descarga desde este sitio la primera vez que lo usas.

Por qué aparecen errores

• Resolución baja: las letras pequeñas y borrosas se parecen entre sí, y una l, un 1 y una I se confunden.
• El poco contraste, las sombras o los fondos de color hacen más difícil separar las letras.
• Las páginas inclinadas o curvadas deforman las líneas y las palabras.
• La letra manuscrita, las tipografías decorativas y el texto muy pequeño se alejan de lo que el motor aprendió mejor.
• Un idioma mal elegido hace que el motor prefiera palabras equivocadas y pase por alto las letras con acento.

Prepara la imagen para tener menos errores

• Captura o escanea a unos 300 ppp los documentos.
• Mantén la página recta y bien iluminada, sin reflejos.
• Recorta al texto para que los bordes y las imágenes no confundan el análisis de la maquetación.
• Elige el idioma correcto antes de añadir el archivo.

Revisa el resultado

Incluso un buen resultado de OCR necesita una lectura rápida de revisión. Presta especial atención a nombres, fechas, números y puntuación, donde un solo carácter equivocado puede cambiar el significado. Las tablas y las columnas salen como texto plano, así que la maquetación hay que rehacerla a mano.