Qué hace realmente el OCR

Una página escaneada o la foto de un documento hecha con el móvil es solo una cuadrícula de píxeles de colores. Tus ojos ven letras; el ordenador ve puntos claros y oscuros. El reconocimiento óptico de caracteres (OCR) es el software que analiza esos píxeles y genera caracteres reales, de modo que «Total: 1.250,00» se convierte en texto que puedes buscar, copiar en una hoja de cálculo o editar en Word.

Sin OCR, convertir un escaneo a otro formato solo cambia la imagen de sitio. Por eso un PDF escaneado convertido a Word suele dar imágenes de las páginas en lugar de texto editable, como explica nuestra guía sobre por qué un PDF escaneado no queda editable.

Los pasos principales de un motor de OCR

Cada motor trabaja a su manera, pero la mayoría sigue una secuencia parecida:

  1. Limpieza. La imagen se endereza, se convierte a blanco y negro de alto contraste y se limpia de manchas y sombras.
  2. Análisis del diseño. El motor localiza bloques de texto, columnas, tablas e imágenes, y decide el orden de lectura.
  3. Reconocimiento de líneas y caracteres. Los motores antiguos comparaban cada letra con patrones. Los modernos suelen usar redes neuronales que leen líneas o palabras completas, lo que funciona mejor con letras unidas y fuentes poco comunes.
  4. Modelo del idioma. El motor usa conocimientos del idioma, como palabras frecuentes y ortografía, para elegir entre opciones parecidas. La duda entre «rn» y «m» suele resolverse así.
  5. Resultado. Puede ser texto plano, un PDF con texto buscable (la imagen original con una capa de texto invisible encima) o un documento editable.

El PDF buscable merece atención: la página sigue viéndose exactamente como el escaneo, pero ahora puedes seleccionar y buscar palabras, y un conversor de PDF a Word ya tiene texto con el que trabajar.

Por qué se equivoca el OCR

Reconocer es interpretar, así que los errores son normales. Las causas más frecuentes son:

  • Poca resolución. Un texto pequeño fotografiado desde lejos tiene muy pocos píxeles por letra. Para documentos impresos normales, escanear a unos 300 ppp, o hacer una foto nítida que llene el encuadre, le da al motor mucha más información.
  • Desenfoque, sombras y páginas curvas. Un libro fotografiado en ángulo tiene líneas curvadas y una iluminación desigual.
  • Fuentes raras, escritura a mano y sellos. El texto impreso es mucho más fácil que la letra manuscrita. Firmas, sellos y tipografías decorativas suelen producir resultados sin sentido.
  • Diseños complejos. Las páginas con varias columnas, recuadros laterales y tablas pueden leerse en el orden equivocado aunque cada palabra se reconozca bien.
  • Idiomas y alfabetos mezclados. Una página que combina árabe e inglés, o una página técnica llena de códigos, necesita un motor configurado para ambos.

Los errores que más importan

La mayoría de los errores de OCR se detectan fácilmente porque generan palabras extrañas. Los peligrosos son los que parecen correctos: 5 y 6, 1 y 7, 0 y O, una coma decimal que desaparece, un signo menos leído como guion. En facturas, extractos bancarios o documentos médicos y legales, un solo dígito equivocado puede cambiarlo todo.

Cómo obtener mejores resultados

  1. Parte de la mejor imagen posible. Página plana, luz natural uniforme, móvil paralelo al papel y sin zoom. Repetir la foto es más rápido que corregir un mal resultado.
  2. Gira y recorta antes. Las páginas de lado o al revés confunden el análisis del diseño. Si el escaneo es un PDF, corrige la orientación antes de aplicar OCR.
  3. No reduzcas demasiado la imagen. Achicar una foto para ahorrar espacio antes del OCR elimina el detalle que necesita el motor. Si tienes que reducirla por un límite de subida, hazlo después del reconocimiento. El Redimensionador de imágenes muestra las dimensiones exactas en píxeles que obtienes.
  4. Elige el idioma correcto. La mayoría de las aplicaciones de OCR permiten seleccionar el idioma del documento, y eso mejora bastante la precisión.
  5. Trata por separado las páginas difíciles. Tablas, formularios y notas manuscritas suelen acabar necesitando una transcripción manual.

Cómo revisar el resultado

  • Busca en el resultado algunas palabras que veas en la página. Si aparecen, la capa de texto existe.
  • Compara con la imagen todos los números de totales, fechas, referencias y cantidades.
  • Lee los títulos y la primera línea de cada párrafo para detectar problemas de orden de lectura.
  • En documentos importantes, guarda la imagen original o el PDF escaneado junto a la versión reconocida.

Dónde encaja el OCR con las herramientas de Convertios

Convertios no ofrece actualmente una herramienta de OCR, y su conversor de PDF a Word no realiza OCR. El flujo práctico es aplicar el OCR en una aplicación que lo incluya, como un editor de PDF, un paquete ofimático o una app de escaneo, y usar Convertios para el paso siguiente: convertir el PDF buscable a Word o exportar páginas sueltas como JPG cuando necesites imágenes en lugar de texto.

El OCR convierte imágenes de texto en texto, pero adivina. Trata cada resultado de OCR como un borrador hasta comprobar los números y los nombres con el original.