OCR significa Reconocimiento óptico de caracteres. Es la tecnología que lee texto a partir de imágenes (incluidos documentos escaneados, fotografías de páginas y PDF de sólo imágenes) y convierte lo que ve en datos de texto reales que las computadoras pueden procesar. Si alguna vez escaneó un documento y se preguntó por qué no puede buscar o copiar el texto, OCR es la solución.
El problema que resuelve el OCR
Cuando escanea un documento, el escáner captura una fotografía de la página. Para una computadora, esta fotografía es solo píxeles: puntos de colores dispuestos en una cuadrícula. Las palabras que puedes ver en la imagen no existen como texto desde la perspectiva de la computadora. No puede buscarlos, copiarlos, traducirlos ni leerlos en voz alta.
OCR cierra esta brecha. Analiza los patrones de píxeles de la imagen, identifica formas que corresponden a letras y números y convierte esas formas en caracteres de texto reales. Después del procesamiento OCR PDF, el documento tiene dos capas: la imagen original (que todavía se ve exactamente igual) y una capa de texto oculta que la computadora puede leer, buscar y procesar.
Cómo funciona realmente el OCR
Los sistemas OCR modernos utilizan modelos de aprendizaje automático entrenados en millones de imágenes de documentos. Al procesar una página, el sistema pasa por varias etapas:
- Preprocesamiento de imagen: la imagen se limpia: se endereza si está torcida, se mejora el contraste y se reduce el ruido. Una imagen más limpia produce un reconocimiento más preciso.
- Análisis de diseño: el sistema identifica la estructura de la página: dónde están los bloques de texto, dónde están las imágenes, el orden de lectura, los límites de las columnas y las celdas de la tabla.
- Reconocimiento de caracteres: el modelo analiza la forma de cada carácter y asigna la letra, número o símbolo más probable. Considera el contexto: "él" es más probable que sea "el" - para mejorar la precisión.
- Creación de capa de texto: los caracteres reconocidos se ensamblan en palabras y oraciones, se colocan para alinearse con la imagen original y se incrustan en el PDF como una capa de texto con capacidad de búsqueda.
Qué afecta la precisión del OCR
La precisión del OCR varía considerablemente según la calidad de la imagen de origen y el contenido que se reconoce:
- Resolución de escaneo: un DPI más alto produce bordes de caracteres más limpios y un mejor reconocimiento. 300 DPI es el mínimo recomendado para un OCR confiable. Las imágenes por debajo de 150 DPI suelen producir errores importantes.
- Tipo de fuente: las fuentes impresas estándar en tipos de letra comunes (Times, Arial, Helvetica) se reconocen con alta precisión. Las fuentes decorativas, los tipos de letra inusuales y el texto muy pequeño producen más errores.
- Condición del documento: papel amarillento, tinta decolorada, manchas, escaneo torcido y sombras degradan la calidad del reconocimiento. Una exploración limpia, recta y de alto contraste produce los mejores resultados.
- Idioma: Los idiomas comunes (inglés, español, francés, alemán, chino, japonés) tienen datos de entrenamiento extensos y alta precisión. Los lenguajes y escrituras menos comunes pueden tener más errores.
- Escritura a mano: OCR en texto impreso es muy preciso. El reconocimiento de escritura a mano es un problema diferente y más difícil: la precisión varía drásticamente según el estilo de escritura y el modelo específico utilizado.
Cómo se ve el resultado
Después del OCR, el PDF parece idéntico al anterior: la imagen escaneada original no cambia. La diferencia es invisible a la vista pero significativa en su función. El documento ahora tiene una capa de texto oculta alineada con la imagen. Cuando busca una palabra, el espectador la encuentra en la capa de texto y la resalta en la imagen. Cuando seleccionas y copias texto, estás copiando desde la capa de texto. Cuando un lector de pantalla anuncia contenido, lee la capa de texto.
La capa de imagen y la capa de texto están separadas: el OCR no altera el escaneo original de ninguna manera. Si el OCR cometió errores, la imagen aún muestra el texto original correcto; sólo la capa de texto oculta contiene el error.
Cómo aplicar OCR a un PDF
La herramienta OCR PDF de WukongPDF en www.wukongpdf.com maneja esto sin necesidad de software de escritorio: cargue el PDF escaneado, seleccione el idioma del documento para una mayor precisión, procese y descargue el resultado de la búsqueda. La operación suele tardar entre 10 y 30 segundos para un documento estándar.
Adobe Acrobat Pro tiene una función OCR incorporada (Herramientas > Mejorar escaneos > Reconocer texto) con opciones adicionales para controlar la calidad del reconocimiento y manejar documentos de varias páginas. Para las organizaciones que procesan grandes volúmenes de documentos escaneados, la capacidad OCR por lotes de Acrobat procesa carpetas enteras de archivos automáticamente.