OCR sta per riconoscimento ottico dei caratteri. È la tecnologia che converte le immagini di testo, sia in una fotografia, in un documento scansionato o in un PDF senza livello di testo, in caratteri reali leggibili dalla macchina. Comprendere come funziona l'OCR ti aiuta a ottenere risultati migliori e a stabilire aspettative realistiche su dove riesce e dove fallisce.
Cosa fa effettivamente l'OCR
Quando esegui la scansione di un documento o scatti una foto di una pagina, il risultato è un'immagine raster, ovvero una griglia di pixel colorati. Il testo in quell'immagine ai tuoi occhi sembra testo, ma per un computer è solo uno schema di punti scuri e chiari senza significato intrinseco. Il software OCR analizza questi modelli di pixel, identifica le forme che corrispondono ai caratteri di un alfabeto noto e le converte in stringhe di testo che un computer può archiviare, cercare ed elaborare.
L'output dell'OCR su un PDF è in genere un PDF ricercabile: un file che sembra visivamente identico alla scansione originale, ma che ora ha uno strato di testo invisibile incorporato dietro le immagini. Quando premi Ctrl+F per cercare, copiare testo o chiedere a un motore di ricerca di indicizzare il documento, utilizza questo livello di testo anziché l'immagine visibile.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
Come il software OCR riconosce i caratteri
I moderni motori OCR utilizzano una combinazione di preelaborazione delle immagini, corrispondenza di modelli e apprendimento automatico per identificare i caratteri. Il processo in genere funziona in più fasi:
- Preelaborazione: l'immagine viene ripulita: l'inclinazione viene corretta (raddrizzamento), il rumore viene rimosso, il contrasto viene migliorato e l'immagine può essere binarizzata (convertita in bianco e nero puro) per far risaltare i caratteri più chiaramente.
- Analisi del layout: il software identifica dove si trovano blocchi di testo, colonne, intestazioni, immagini e tabelle nella pagina. Ciò determina l'ordine di lettura e impedisce al motore OCR di mescolare il contenuto di colonne adiacenti.
- Segmentazione dei caratteri: i singoli caratteri sono isolati gli uni dagli altri e dallo spazio bianco circostante. Questo è più difficile di quanto sembri: i caratteri in corsivo, i caratteri in documenti stampati male possono essere frammentati e la punteggiatura può essere scambiata per segni vaganti.
- Riconoscimento dei caratteri: ogni carattere segmentato viene confrontato con modelli addestrati. L'OCR moderno utilizza modelli di deep learning addestrati su milioni di esempi di caratteri in diversi tipi di carattere, dimensioni e condizioni di stampa.
- Correzione contestuale: i caratteri riconosciuti vengono confrontati con un modello linguistico. Una sequenza simile a "hcllo" è più probabile che sia "ciao" in base alla frequenza delle parole, quindi il motore la corregge. Questo passaggio contestuale migliora significativamente la precisione per i caratteri ambigui.
Che cosa determina la precisione dell'OCR
Il fattore più importante è la qualità della scansione. La precisione dell'OCR diminuisce drasticamente quando l'immagine sorgente è sfocata, a bassa risoluzione, scarsamente illuminata, inclinata o presenta uno sfondo scuro o con motivi. Una scansione pulita a 300 DPI con un'illuminazione costante produce tassi di precisione del 95–99% per il testo stampato standard. Lo stesso documento scansionato a 72 DPI su un telefono in condizioni di scarsa illuminazione potrebbe produrre una precisione del 60-70%, sufficiente per avere un'idea generale ma non utile per un'estrazione precisa del testo.
Anche la scelta della lingua è importante. I motori OCR vengono addestrati su lingue e set di caratteri specifici. L'esecuzione di un documento arabo tramite un motore OCR configurato per l'inglese produce scarsi risultati. Lo strumento OCR PDF di WukongPDF supporta modelli multilingue: seleziona sempre la lingua corretta prima dell'elaborazione per una precisione ottimale.
La tabella seguente riassume gli intervalli di precisione previsti per diversi tipi e condizioni di documenti:
Si tratta di intervalli tipici: i singoli risultati variano in base al documento specifico, all'apparecchiatura di scansione e al motore OCR utilizzato.
OCR tra PDF scansionati e PDF nativi digitali
Vale la pena chiarire un malinteso comune: non tutti i PDF necessitano dell'OCR. Un PDF creato direttamente da un elaboratore di testi, un foglio di calcolo o un'applicazione di progettazione contiene già un livello di testo: i caratteri vengono memorizzati come dati di testo effettivi, non come pixel. È possibile selezionare, copiare e cercare testo in questi file senza alcuna elaborazione OCR.
L'OCR è necessario solo per i PDF basati su immagini: file creati mediante la scansione di documenti cartacei, PDF esportati da file di immagine o PDF in cui il testo è stato convertito in contorni durante il processo di esportazione. Un test rapido consiste nel provare a selezionare il testo nel PDF: se riesci a evidenziare singole parole, il livello testo è già presente. Se il cursore si trasforma in un mirino o puoi selezionare solo aree rettangolari, il contenuto è basato su immagini e l'OCR lo renderà ricercabile.
| Tipo documento | Precisione OCR | Sfide comuni | Suggerimenti |
|---|---|---|---|
| Testo stampato pulito | 95–99% | Caratteri simili (0/O, l/1) | Utilizza una scansione da 300 DPI o superiore |
| Documenti dattiloscritti | 90-97% | Degrado dell'inchiostro, lacune nel nastro | Contrasto elevato prima dell'OCR |
| Testo scritto a mano | 60–85% | Lettere irregolari, legature | Sono necessari modelli di scrittura specializzati |
| Scansione a bassa risoluzione (sotto i 150 DPI) | 50–80% | Personaggi sfocati, pixelizzazione | Se possibile, ripetere la scansione a DPI più elevati |
| Scritture non latine (arabo, cinese) | 85–95% | Complessità del personaggio, direzionalità | Seleziona la lingua corretta nelle impostazioni OCR |
| Tabelle e moduli complessi | 80-92% | I bordi delle celle si uniscono al testo | Esaminare manualmente le aree della tabella dopo l'OCR |
Come applicare l'OCR a un PDF
Lo strumento OCR PDF di WukongPDF gestisce il processo nel browser. Carica il PDF scansionato, seleziona la lingua del documento e converti. L'output è un PDF ricercabile con un livello di testo incorporato, visivamente identico all'input, ma ora completamente ricercabile e selezionabile tramite testo. I documenti composti da più pagine vengono elaborati in un'unica operazione.
Per la massima precisione su documenti importanti, esegui la scansione a 300 DPI o superiore, utilizza un'illuminazione uniforme senza ombre e assicurati che la pagina sia piana e diritta prima della scansione. Più pulita è l'immagine in ingresso, migliore sarà l'output OCR: preelaborare la scansione prima di eseguire l'OCR è sempre vantaggioso sui documenti in cui la precisione è importante.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.