Extrair texto de uma imagem (OCR)

O que é OCR

OCR (reconhecimento óptico de caracteres) transforma o texto «desenhado» dentro de uma imagem em texto de verdade, editável, que você pode copiar. É perfeito para documentos escaneados, fotos de páginas, prints, placas ou etiquetas.

Dicas para um bom resultado

Use imagens nítidas e bem iluminadas, com o texto reto e bom contraste entre a escrita e o fundo. Escolha o idioma certo: com o errado, os acentos e sinais do idioma são exatamente o que se perde (o n com til do espanhol, o è do italiano), e nesta página o menu já começa pelo inglês. Na primeira vez, o modelo de reconhecimento é baixado (só uma vez) e depois fica na memória. Se a foto do documento estiver torta, vale passar antes por Endireitar um documento.

O que faz o reconhecimento falhar

Quatro coisas, em ordem de gravidade. Resolução: abaixo de um certo tamanho as letras não têm pixels suficientes para serem distinguidas, e a regra prática é que o texto tenha pelo menos vinte pixels de altura. Aqui, uma imagem com texto pequeno é ampliada automaticamente antes da leitura, até três vezes, e as páginas de um PDF são renderizadas a 300 pontos por polegada. Inclinação: poucos graus de inclinação já reduzem muito a precisão, porque o software procura linhas horizontais.

Depois o contraste, ou seja, o quanto a escrita se destaca do fundo: uma fotocópia desbotada ou uma foto com a sombra de uma mão por cima dá resultados péssimos. E por fim a fonte: fontes decorativas, itálico e escrita à mão são um problema totalmente diferente, que as ferramentas tradicionais nem tentam resolver.

Como fotografar um documento para dar certo

Com luz difusa, nunca com flash e nunca com uma lâmpada de lado: sombras e reflexos são a causa número um de um reconhecimento ruim. O celular deve ficar paralelo à página, sem inclinação, porque a perspectiva comprime as linhas mais distantes e as deixa ilegíveis.

Se a folha estiver sobre uma mesa, ajuda colocá-la numa superfície de outra cor e preencher o enquadramento só com o documento: o que está em volta é inútil e atrapalha. E se a foto já foi tirada torta, antes de reconhecer o texto ela deve ser endireitada: é o passo que, sozinho, mais muda o resultado.

O que conferir no texto que sai

Os erros de leitura são sempre os mesmos, e são fáceis de achar se você souber onde olhar: 0 e O, 1 e l e I, 5 e S, 8 e B, rn lidos como m. São erros que uma releitura distraída não pega, porque o texto continua plausível.

Onde eles realmente importam é nos números: uma conta bancária, um CPF, um valor, uma data. Ali, um caractere errado passa despercebido e faz estrago, então toda sequência numérica deve ser conferida manualmente com a imagem. Já o texto corrido pode ser corrigido na leitura.

Os limites, ditos com clareza

A escrita à mão não é reconhecida pelas ferramentas clássicas, nem por esta: exige um modelo treinado para isso, e mesmo esses erram bem mais do que com texto impresso. As tabelas perdem a estrutura: as células viram linhas de texto em sequência, e reconstruir as colunas é outro trabalho.

E o layout não sobrevive: colunas de jornal, notas de rodapé e caixas saem misturadas na ordem em que o software as encontra. O que você recebe é o conteúdo, não o documento.

Veja também

Se a foto estiver torta, antes você precisa de Endireitar um documento fotografado. Para um PDF que já tem texto dentro, há Extrair texto de um PDF, e para pesquisar em vários PDFs Buscar uma palavra em vários PDFs. Para trabalhar no texto resultante, há Contador de palavras e Corrigir caracteres quebrados.