O que é a precisão do OCR?
A precisão do OCR descreve até que ponto o texto reconhecido a partir de uma página digitalizada se aproxima do texto realmente impresso nela. Costuma exprimir-se como a percentagem de carateres ou palavras lidos corretamente. Uma taxa de 98 por cento parece alta, mas numa página com 3000 carateres deixa ainda cerca de 60 erros, e um único dígito errado num número de fatura ou numa data pode pesar mais do que cinquenta letras erradas num parágrafo.
O que a reduz
O reconhecimento depende primeiro da imagem. Uma resolução baixa esbate os traços finos e um e passa a parecer um c. Uma página digitalizada torta, a sombra da lombada de um livro, o texto do verso que transparece em papel fino, o toner desbotado e os carimbos sobre o texto dificultam a separação das letras. A letra manuscrita, os tipos de letra invulgares e as notas de rodapé minúsculas pioram o resultado, tal como indicar ao programa o idioma errado.
Como melhorar o resultado antes do reconhecimento / Como verificar um resultado
A maior parte do ganho vem de preparar a digitalização, não do reconhecimento em si. Procure cerca de 300 DPI para texto impresso comum, endireite as páginas inclinadas ou de lado, corte as margens escuras e escolha o idioma do documento. Quando a página mistura dois idiomas, reconhecê-la no principal costuma ler razoavelmente bem o resto, mas os nomes pouco comuns pedem ainda uma vista de olhos. Procure uma palavra que vê na página. Se o visualizador a encontrar, foi reconhecida. Compare números, nomes e datas a olho, porque são os pontos onde um erro causa dano real. Um bom hábito é tratar o texto reconhecido como rascunho em tudo o que envolva dinheiro, prazos ou valor jurídico.
Usar o AuraDoc para isto
Rodar PDF digitalizado corrige as páginas de lado antes do reconhecimento, Detetar idioma do PDF indica o idioma que o ficheiro parece usar e OCR em PDF acrescenta à digitalização uma camada de texto pesquisável. O ficheiro reconhecido é uma cópia nova, pelo que o pode comparar com a digitalização de partida.
Ferramentas que usam este termo
Guias que põem o termo em prática
- Tornar pesquisável um PDF digitalizadoPasso a passo: endireite as páginas da digitalização, faça OCR para pesquisar e copiar o texto e depois reduza o ficheiro para o guardar ou partilhar.
- Verificar o idioma de um documentoPasso a passo: detete o idioma de um PDF, veja a proporção de cada idioma num documento misto e prepare uma digitalização para a deteção.
Perguntas frequentes
- É possível ter 100 por cento de precisão no OCR?
- Não de forma fiável. Uma impressão limpa e moderna, em boa resolução, chega perto, mas nenhum programa promete leitura perfeita de todas as páginas, por isso confira os números importantes.
- Mais DPI lê sempre melhor?
- Até certo ponto. Por volta de 300 DPI chega para texto comum, e ir muito além quase só torna o ficheiro mais pesado sem melhorar o reconhecimento.
- Porque é que os números são lidos mal com mais frequência do que as palavras?
- Uma palavra dá contexto ao programa, e uma letra estranha dentro de uma palavra conhecida pode ser corrigida. O número não tem esse contexto, por isso cada dígito está sozinho.