OCR (reconocimiento óptico de caracteres)

Sin OCR, una imagen es para un índice de búsqueda un bloque opaco de píxeles. Con OCR, cada palabra impresa dentro de esa imagen se comporta como cualquier otro metadato.

Cómo funciona el OCR

El OCR moderno funciona como una cadena corta de etapas, y cada etapa explica uno de sus modos de fallo:

1. Preprocesamiento. Se endereza la imagen, se elimina el ruido y se convierte a alto contraste. Por eso la foto torcida de una página tomada con el teléfono se lee peor que un escaneo plano.
2. Detección de texto. El motor localiza las regiones de la imagen que contienen texto y determina el orden de lectura: columnas, pies de foto, celdas de tablas.
3. Reconocimiento de caracteres y de palabras. Cada región detectada se decodifica en caracteres. Los motores actuales usan redes neuronales que reconocen palabras y líneas completas en lugar de glifos aislados, por lo que manejan los tipos de letra unidos e irregulares mucho mejor que los sistemas de comparación con plantillas de los años noventa.
4. Modelado del lenguaje. Un modelo estadístico corrige en contexto los resultados improbables, de modo que rn no se confunda con m en una palabra que el idioma nunca produce.

El resultado es texto sin formato, normalmente con una puntuación de confianza por palabra y las coordenadas de cada palabra dentro de la imagen.

Reconocimiento óptico de texto, ICR y escritura a mano

«Reconocimiento óptico de texto» se usa indistintamente con OCR. Dos términos relacionados son más específicos: ICR (intelligent character recognition) se dirige a la escritura a mano, y OMR (optical mark recognition) lee casillas de verificación y círculos rellenados en lugar de caracteres. El texto impreso sigue siendo el caso que el OCR maneja con más fiabilidad; la escritura a mano cursiva sigue siendo la más difícil.

Para qué sirve el OCR en un DAM

Una gran parte de cualquier biblioteca multimedia lleva su información más identificativa como píxeles y no como campos:

• El nombre del producto y la variante en la etiqueta de un packshot.
• El titular y la oferta de un anuncio impreso escaneado.
• El SKU de una ficha técnica que se archivó como imagen.
• La declaración, la línea legal o la fecha de caducidad en el diseño de un envase.
• El texto de las diapositivas de una presentación exportada a PNG, y de cualquier versión derivada (rendition) generada a partir de ella.

Nada de eso se puede encontrar con una búsqueda convencional, porque, para el índice, el archivo no contiene palabras. El OCR extrae el texto durante la ingesta y lo asocia al recurso, de modo que buscar el nombre de un producto devuelve la foto del envase y no solo los archivos que alguien se acordó de etiquetar.

También alimenta todo lo que viene después. El texto extraído se convierte en entrada de la búsqueda semántica, da a las reglas de automatización algo con lo que coincidir y apoya el trabajo de cumplimiento: un registro de auditoría es mucho más útil cuando puedes demostrar qué versión de una declaración apareció en qué diseño. En los archivos históricos, hace que décadas de material impreso escaneado se puedan buscar sin que nadie vuelva a escribir una sola palabra.

¿Qué precisión tiene el OCR?

La precisión depende del origen, no del motor. En escaneos limpios y de alta resolución de texto impreso, los motores actuales superan de forma habitual el 99 % de precisión por carácter. En imágenes de baja resolución, con mucha compresión, con tipos de letra decorativos, con texto sobre fotografías recargadas o sobre fondos de color muy ajustados, los resultados se degradan hasta una extracción parcial.

La consecuencia práctica es que el texto del OCR debe tratarse como una capa de búsqueda, no como una transcripción canónica. Es excelente para encontrar un recurso. No sustituye a la versión aprobada de una línea legal.

Cómo hacer una revisión de OCR en tu biblioteca

Una revisión de OCR es una pasada de revisión sobre lo que se extrajo, y conviene hacerla una vez después de una importación masiva:

• Busca unos pocos términos que sepas que solo aparecen dentro de imágenes y confirma que se devuelven los recursos correctos.
• Comprueba por muestreo el texto extraído en tus formatos más difíciles: envases densos, escaneos antiguos de baja resolución, capturas de pantalla de interfaces.
• Mira la cobertura y no páginas individuales. Si toda una clase de recursos no devuelve nada, el problema suele ser la resolución del origen o un tipo de archivo no admitido, no el motor.
• Vuelve a ejecutar la extracción cuando sustituyas originales de baja resolución por otros mejores.

OCR en Freedam

En Freedam, el OCR se ejecuta automáticamente durante la ingesta, sin configuración y sin ninguna acción por archivo. El texto extraído se indexa junto con los demás metadatos del recurso, de modo que lo encuentran la búsqueda por palabras clave ordinaria, los filtros avanzados y la búsqueda semántica, y está disponible para las reglas de automatización y para la API.

Como forma parte de la ingesta y no es un complemento, todos los recursos que entran en la biblioteca (por importación, por sincronización de carpetas o a través de la API) quedan cubiertos de la misma manera.

Preguntas frecuentes

¿Cuál es la diferencia entre el OCR y el reconocimiento de imágenes?

El reconocimiento de imágenes identifica lo que muestra una imagen: objetos, personas, entornos. El OCR identifica el texto impreso en ella. Un DAM suele ejecutar ambos al importar: el reconocimiento de imágenes para el etiquetado automático y el OCR para las palabras de etiquetas, envases y diapositivas.

¿Puede el OCR leer la escritura a mano?

La escritura a mano en letras de imprenta claras suele leerse de forma aceptable. La escritura a mano cursiva unida sigue siendo poco fiable, y se usan sistemas ICR específicos donde la escritura a mano importa, por ejemplo en formularios.

¿Funciona el OCR con PDF?

Un PDF exportado desde una herramienta de diseño o de procesamiento de textos ya contiene su texto, que puede extraerse directamente sin OCR. Un PDF escaneado solo contiene imágenes de las páginas y necesita OCR para poder buscar en su texto.