O que o OCR faz de verdade

Uma página digitalizada ou a foto de um documento tirada com o celular é só uma grade de pixels coloridos. Seus olhos enxergam letras; o computador enxerga pontos claros e escuros. O reconhecimento óptico de caracteres (OCR) é o software que analisa esses pixels e gera caracteres reais, para que "Total: 1.250,00" vire texto que você pode pesquisar, copiar para uma planilha ou editar no Word.

Sem OCR, converter uma digitalização para outro formato só muda a imagem de lugar. É por isso que um PDF digitalizado convertido em Word costuma trazer imagens das páginas em vez de texto editável, como explica nosso guia sobre por que um PDF digitalizado não fica editável.

As principais etapas de um mecanismo de OCR

Cada mecanismo tem seu jeito, mas a maioria segue uma sequência parecida:

  1. Limpeza. A imagem é endireitada, convertida para preto e branco com alto contraste e limpa de manchas e sombras.
  2. Análise do layout. O mecanismo encontra blocos de texto, colunas, tabelas e imagens, e decide a ordem de leitura.
  3. Reconhecimento de linhas e caracteres. Mecanismos antigos comparavam cada letra com padrões. Os modernos costumam usar redes neurais que leem linhas ou palavras inteiras, o que funciona melhor com letras emendadas e fontes incomuns.
  4. Modelo de idioma. O mecanismo usa conhecimento do idioma, como palavras frequentes e ortografia, para escolher entre opções parecidas. A dúvida entre "rn" e "m" costuma ser resolvida assim.
  5. Resultado. Pode ser texto simples, um PDF pesquisável (a imagem original com uma camada de texto invisível por cima) ou um documento editável.

Vale conhecer o PDF pesquisável: a página continua idêntica à digitalização, mas agora você consegue selecionar e pesquisar palavras, e um conversor de PDF para Word passa a ter texto para trabalhar.

Por que o OCR erra

Reconhecer é interpretar, então erros são normais. As causas mais comuns:

  • Resolução baixa. Texto pequeno fotografado de longe tem poucos pixels por letra. Para documentos impressos comuns, digitalizar em cerca de 300 dpi, ou tirar uma foto nítida que preencha o enquadramento, dá ao mecanismo muito mais informação.
  • Desfoque, sombras e páginas curvas. Um livro fotografado de lado tem linhas curvadas e luz irregular.
  • Fontes incomuns, letra de mão e carimbos. Texto impresso é muito mais fácil do que letra cursiva. Assinaturas, carimbos e fontes decorativas costumam gerar resultados sem sentido.
  • Layouts complexos. Páginas com várias colunas, boxes laterais e tabelas podem ser lidas na ordem errada mesmo quando cada palavra é reconhecida.
  • Idiomas e alfabetos misturados. Uma página que mistura árabe e inglês, ou uma página técnica cheia de códigos, precisa de um mecanismo configurado para os dois.

Os erros que mais importam

A maioria dos erros de OCR é fácil de perceber porque gera palavras estranhas. Os perigosos são os que parecem certos: 5 e 6, 1 e 7, 0 e O, uma vírgula decimal que some, um sinal de menos lido como hífen. Em notas fiscais, extratos bancários e documentos médicos ou jurídicos, um único dígito errado pode mudar tudo.

Como conseguir resultados melhores

  1. Comece com a melhor imagem possível. Página plana, luz natural uniforme, celular paralelo ao papel e sem zoom. Tirar outra foto é mais rápido do que corrigir um resultado ruim.
  2. Gire e recorte antes. Páginas de lado ou de cabeça para baixo confundem a análise do layout. Se a digitalização for um PDF, corrija a orientação antes do OCR.
  3. Não reduza demais a imagem. Diminuir a foto para economizar espaço antes do OCR elimina os detalhes de que o mecanismo precisa. Se tiver de reduzir por causa de um limite de envio, faça isso depois do reconhecimento. O Redimensionador de imagens mostra as dimensões exatas em pixels que você obtém.
  4. Escolha o idioma certo. A maioria dos aplicativos de OCR permite selecionar o idioma do documento, o que melhora bastante a precisão.
  5. Trate as páginas difíceis separadamente. Tabelas, formulários e anotações à mão muitas vezes acabam precisando de digitação manual.

Como revisar o resultado

  • Pesquise no resultado algumas palavras que você vê na página. Se forem encontradas, a camada de texto existe.
  • Compare com a imagem todos os números de totais, datas, referências e quantidades.
  • Leia os títulos e a primeira linha de cada parágrafo para pegar problemas na ordem de leitura.
  • Em documentos importantes, guarde a imagem original ou o PDF digitalizado ao lado da versão reconhecida.

Onde o OCR entra com as ferramentas da Convertios

A Convertios não oferece hoje uma ferramenta de OCR, e o conversor de PDF para Word dela não faz OCR. O caminho prático é aplicar o OCR em um aplicativo que tenha esse recurso, como um editor de PDF, um pacote de escritório ou um app de digitalização, e usar a Convertios na etapa seguinte: converter o PDF pesquisável em Word ou exportar páginas avulsas como JPG quando você precisar de imagens em vez de texto.

O OCR transforma imagens de texto em texto, mas ele adivinha. Trate todo resultado de OCR como rascunho até conferir números e nomes com o original.