Por qué el OCR lee mal algunas palabras y cómo conseguir un resultado más limpio

Cómo lee una página el OCR

El OCR no lee como tú. Divide la página en bloques, líneas y palabras, compara la forma de cada palabra con el aspecto de las palabras del idioma elegido y se queda con la lectura más probable. Nunca sabe si acierta; elige la mejor coincidencia que encuentra.

Por eso la calidad de la imagen importa tanto. A unos 300 puntos por pulgada, el texto normal tiene detalle suficiente para que cada letra sea inconfundible. A la mitad, una «e» y una «c», o «rn» y «m», empiezan a parecerse, y las suposiciones empeoran.

Las causas habituales de los errores

• Desenfoque. Una foto tomada en movimiento o enfocada en la parte equivocada de la página. Los bordes se emborronan y las letras se juntan.
• Sombras y reflejos. La sombra de una mano o de un móvil, o una página brillante que refleja una lámpara, borra parte de una línea.
• Letra pequeña o tenue. Notas al pie, recibos desvaídos y texto gris claro tienen muy pocos puntos oscuros con los que trabajar.
• Una página curvada o torcida. El centro de un libro grueso curva las líneas; una página fotografiada en ángulo estrecha un lado.
• El idioma equivocado. Una página en francés leída como inglés produce disparates muy seguros de sí mismos, porque las formas se comparan con las palabras equivocadas.
• Escritura a mano. El OCR está hecho para letras impresas. Las mayúsculas cuidadas a veces funcionan; la letra cursiva, casi nunca.

Conseguir una imagen mejor

1. Pon la página plana y fotografíala de frente, con el texto llenando la mayor parte del encuadre.
2. Usa luz de día uniforme o gira la lámpara para que ninguna sombra caiga sobre la página. Apaga el flash con papel brillante.
3. Toca la pantalla para enfocar el texto, no te muevas y comprueba que la foto está nítida antes de subirla.
4. Haz las capturas de pantalla al tamaño en que lees; no alejes el zoom antes.
5. En un escáner, elige 300 DPI. El color no hace falta para el texto: la escala de grises es igual de precisa y mucho más ligera.

Revisar el resultado

Lee el resultado junto a la imagen antes de fiarte de él, y fíjate sobre todo en lo que el OCR no puede comprobar por sentido común: nombres, cifras, fechas, importes y códigos. Una letra mal leída dentro de una palabra suele notarse; una cifra mal leída en un número de cuenta, no. iBuildPDF indica en qué idioma se leyó el texto; si no es el correcto, elige el adecuado y vuelve a intentarlo. Hay más sobre esto en cómo revisar un documento convertido.