Por que o OCR erra algumas palavras, e como conseguir um resultado mais limpo
Por que o OCR erra algumas palavras?
Salve suas ferramentas favoritas
Crie uma conta grátis no iBuildPDF para guardar suas ferramentas favoritas e encontrá-las rapidamente quando quiser.
Conta grátis. As ferramentas PDF em si nunca precisam de uma.
Resposta curta
O OCR deduz cada letra pela forma, então tudo o que borra, escurece ou distorce a forma torna um palpite errado mais provável: uma foto tremida, uma sombra sobre a página, letras muito pequenas, uma página curva ou torta, ou a leitura no idioma errado. Uma página nítida, plana e iluminada por igual, lida no idioma certo, sai quase perfeita.
Como o OCR lê uma página
O OCR não lê como você. Ele divide a página em blocos, linhas e palavras, compara a forma de cada palavra com a aparência das palavras no idioma detectado e escolhe a leitura mais provável. Ele nunca sabe que acertou; escolhe a melhor correspondência que consegue encontrar.
O que a resolução realmente decide
- 72 DPI. Bom na tela, visivelmente serrilhado no papel.
- 150 DPI. Aceitável para uma impressora de escritório e um documento que ninguém vai examinar.
- 300 DPI. O que uma gráfica espera, medido no tamanho em que a imagem é de fato impressa.
É por isso que a qualidade da imagem importa tanto. Por volta de 300 pontos por polegada, um texto comum tem detalhe suficiente para cada letra ser inconfundível. Na metade disso, um “e” e um “c”, ou “rn” e “m”, começam a se parecer, e os palpites pioram.
As causas habituais dos erros
- Desfoque. Uma foto tirada em movimento, ou com o foco na parte errada da página. As bordas se espalham e as letras se juntam.
- Sombras e reflexos. A sombra de uma mão ou do celular, ou uma página brilhante refletindo uma lâmpada, apaga parte de uma linha.
- Letras pequenas ou fracas. Notas de rodapé, recibos desbotados e texto cinza-claro têm poucos pontos escuros com que trabalhar.
- Uma página curva ou torta. O meio de um livro grosso curva as linhas; uma página fotografada de lado espreme um dos lados.
- O idioma errado. Uma página em francês lida como inglês gera bobagens com toda a confiança, porque as formas são comparadas com as palavras erradas.
- Letra de mão. O OCR é feito para letras impressas. Maiúsculas caprichadas às vezes funcionam; letra cursiva normalmente não.
Conseguindo uma imagem melhor
- Deixe a página plana e fotografe de frente, com o texto ocupando a maior parte do quadro.
- Use luz do dia uniforme, ou vire a lâmpada para que nenhuma sombra caia sobre a página. Desligue o flash em papel brilhante.
- Toque na tela para focar no texto, fique parado e confira se a foto está nítida antes de enviá-la.
- Faça a captura de tela no tamanho em que você lê; não diminua o zoom antes.
- No scanner, escolha 300 DPI. Cor não é necessária para texto: tons de cinza são igualmente precisos e muito menores.
Conferindo o resultado
Leia o resultado comparando com a imagem antes de confiar nele, e preste mais atenção ao que o OCR não consegue conferir pelo sentido: nomes, números, datas, valores e códigos. Uma letra lida errado dentro de uma palavra costuma ser óbvia; um dígito lido errado em um número de conta não. O iBuildPDF diz em que idioma o texto foi lido, e, se estiver errado, normalmente a imagem não deu à detecção o suficiente para trabalhar: recorte até o texto, deixe-a mais nítida e rode de novo. Há mais sobre isso em como conferir um documento convertido.
Ferramentas que este artigo aborda
Fontes
Documentação primária das afirmações acima.



