Guia

Por que o reconhecimento de texto erra palavras, e como resolver

O reconhecimento de texto (OCR) lê palavras erradas principalmente por causa da imagem, não do texto: borrão, sombras, uma página inclinada ou curva, letras pequenas demais na moldura ou um idioma que o OCR não reconhece. Corrija o escaneamento e o texto costuma se corrigir sozinho: escaneie de novo com luz uniforme, segure o iPhone reto e perto, corte as bordas escuras e confira se o Texto ao Vivo aceita o idioma. Depois pesquise uma palavra que você está vendo para testar.

Verificado em

O reconhecimento de texto, ou OCR, é o que transforma a imagem de uma página em texto que você pode pesquisar, copiar ou ouvir em voz alta. Quando funciona, você nem percebe. Quando não funciona, a busca por “fatura” não acha nada, o texto copiado diz “faiura” e um total de 1.050 vira 1.O5O. Esta página explica por que isso acontece e o que mudar. Para páginas em árabe, hebraico, japonês e outras escritas, veja reconhecimento de texto em outros idiomas, que trata do suporte a idiomas em detalhe.

Os erros que você vai ver

Os erros de OCR seguem padrões. Conhecê-los facilita enxergá-los.

Impresso Muitas vezes lido como Por quê
rn m As duas letras se encostam em uma imagem desfocada
0 (zero) O (letra) Mesmo formato em muitas fontes
1, l, I Qualquer um dos outros Traços verticais finos
5, 8, 6 S, B, b Formas arredondadas se confundem com o borrão
é, ü, ñ e, u, n Os acentos são minúsculos e somem
Duas colunas Linhas misturadas de lado a lado Ordem de leitura errada
Uma tabela Números nas linhas erradas As bordas das células confundem o layout
Uma palavra dividida na quebra de linha Duas meias palavras Hifens e finais de linha

O problema costuma ser a imagem

Quem cria mecanismos de OCR diz sempre a mesma coisa: dê ao mecanismo uma imagem melhor. A documentação do Tesseract, um mecanismo de OCR de código aberto muito usado, lista os problemas de imagem que reduzem a precisão. Eles valem para qualquer OCR, inclusive o que o seu iPhone usa.

Pequena ou desfocada demais

A documentação do Tesseract diz que ele funciona melhor com imagens de pelo menos 300 dpi. Fabricantes de software de escaneamento também recomendam cerca de 300 dpi para documentos impressos comuns e avisam que 75 dpi só serve para uma prévia. O celular não tem ajuste de dpi, mas a ideia se mantém: as letras precisam de pixels suficientes. Solução: segure o iPhone perto o bastante para a página preencher a tela, fique parado e deixe-o focar. Fotografar uma mesa inteira em pé dá letras pequenas e desfocadas. Se o escaneamento está borrado, por que os escaneamentos saem borrados traz as soluções.

Sombras e luz irregular

O OCR primeiro decide quais pixels são tinta e quais são papel. A documentação do Tesseract observa que essa etapa pode falhar quando o fundo da página tem escuridão irregular, que é exatamente o que uma sombra ou uma lâmpada em um canto causam. As letras na sombra se fecham; as letras no reflexo somem. Solução: luz do dia perto de uma janela, seu corpo fora do caminho entre a luz e a página, sem flash em papel brilhante. Veja como remover sombras de escaneamentos.

Uma página inclinada ou curva

Segundo a documentação do Tesseract, a detecção de linhas piora muito quando a página está inclinada, e isso afeta severamente o resultado. Uma página fotografada em ângulo, ou uma página de livro que se curva na lombada, dá linhas tortas e curvas. Solução: escaneie com um escâner (Notas, Arquivos, Pré-Visualização ou um app), que encontra as bordas e endireita a página, em vez de uma foto comum. Pressione as páginas de livro para deixá-las planas.

Bordas escuras e sujeira

Páginas escaneadas costumam ter bordas escuras, e a documentação do Tesseract observa que elas podem ser lidas como caracteres a mais. Furos de perfurador, grampos, carimbos e escrita à mão nas margens fazem o mesmo. Solução: corte até o papel.

Letra fraca, fina ou muito grossa

Traços finos e serifas perdem detalhe, e tinta muito pesada borra as letras umas nas outras. Recibos desbotados e fotocópias antigas são o pior caso. Solução: um filtro cinza costuma preservar texto fraco que um filtro forte de preto e branco descarta. Se o original está desbotado, escaneie agora, antes que desbote mais.

O idioma errado, ou sem suporte ao idioma

O OCR lê com um idioma em mente: as letras e o dicionário dele. O Texto ao Vivo da Apple “não está disponível em todas as regiões ou idiomas”. Uma página em um idioma que o OCR não aceita sai como texto sem sentido ou como nada. Solução: em Ajustes, Geral, Idioma e Região, confira se o Texto ao Vivo está ativado, e veja o guia de outros idiomas.

Escrita à mão

A escrita à mão é o caso mais difícil de todos, e erros são normais até em um escaneamento perfeito. Veja como converter escrita à mão em texto para saber o que esperar.

Teste o texto antes de confiar nele

  1. Abra o PDF escaneado e pesquise uma palavra que você vê claramente na página, de preferência uma incomum.
  2. Teste também um número, como o total de uma fatura.
  3. Se a busca não achar nada, o PDF pode não ter camada de texto. Nosso verificador gratuito de PDF pesquisável diz isso no seu navegador.

Para adicionar texto a um PDF que não tem nenhum, abra-o na Pré-Visualização, toque no botão de ações, toque em Exportar, escolha PDF e ative Integrar Texto. A Apple diz que isso faz o OCR das imagens e torna o PDF pesquisável. Há mais formas em como tornar um PDF escaneado pesquisável.

Quando não dá para escanear de novo

Às vezes o original sumiu e tudo que você tem é um escaneamento ruim.

  • Copie o texto e corrija-o em um documento, conferindo com a imagem.
  • Pesquise parte de uma palavra (“atura” em vez de “fatura”) para achar páginas em que a primeira letra foi lida errado.
  • Digite os dados principais (total, data, número da conta) no nome do arquivo ou em uma nota, para encontrá-lo independentemente do OCR.

Onde o Scanner One ajuda, e onde não

Os escâneres da Apple e o Integrar Texto da Pré-Visualização se saem bem com texto impresso limpo. Se a busca acha suas palavras, o seu texto está bom.

O Scanner One age sobre as causas acima na etapa do escaneamento. O Scanner One encontra as bordas da página automaticamente e corrige a perspectiva. Livros abertos são divididos em duas páginas, e as linhas curvas são endireitadas. Os escaneamentos têm os filtros Autolimpeza, Cor, Cinza e Recibo. O filtro Recibo transforma um recibo apagado em texto preto nítido sobre branco. O reconhecimento de texto acontece no próprio aparelho, em 29 idiomas. O reconhecimento de texto funciona em todas as páginas para todos, no Grátis ou no Pro.

Tornar Pesquisável lendo as linhas de uma página que não tinha texto
O Tornar Pesquisável do Scanner One, lendo as linhas de uma página que não tinha texto

A busca procura dentro do texto de todos os documentos e mostra a linha e a página encontradas. Isso facilita testar um escaneamento pesquisando uma palavra que você está vendo.

Os limites, em termos claros:

  • Nenhum OCR é perfeito. Texto desbotado, letras minúsculas, tabelas e escrita à mão ainda geram erros, então confira os números que importam.
  • Editar diretamente as palavras de um escaneamento é um recurso do Pro: O Pro adiciona tarjas, a borracha inteligente, a edição de texto, a exportação automática e cinco ícones alternativos para o app.
  • O Scanner One é grátis, com limites generosos: escanear, gerar PDFs limpos e buscar no texto nunca param.

O verbete do glossário sobre OCR explica o próprio termo.

Perguntas e respostas

Qual é a precisão do OCR?

Em um escaneamento nítido e reto de texto impresso limpo, é muito precisa. A precisão cai rápido com borrão, sombras, letras pequenas ou desbotadas, fontes incomuns, tabelas e escrita à mão. Nenhum OCR acerta sempre, então confira nomes e números em tudo que for importante.

Que resolução preciso para um bom OCR?

A documentação do OCR Tesseract diz que ele funciona melhor com imagens de pelo menos 300 dpi. No celular, isso significa preencher a moldura com a página e ficar parado, em vez de fotografar de longe e ampliar.

Posso corrigir erros de OCR em um PDF escaneado?

A camada de texto escondida geralmente não pode ser editada à mão em um app de PDF comum. A solução prática é escanear melhor e rodar o reconhecimento de novo, ou copiar o texto e corrigi-lo em um documento.

Por que o OCR mistura colunas e tabelas?

Ele precisa adivinhar a ordem de leitura. Duas colunas lado a lado podem ser lidas de ponta a ponta, e as células de uma tabela podem se misturar. Escanear uma coluna de cada vez, ou recortar uma tabela só, ajuda.

Fontes

O que esta página diz sobre o Scanner One foi conferido no app em .

Verificado em:

Baixe o Scanner One

O Scanner One é grátis, com limites generosos: escanear, gerar PDFs limpos e buscar no texto nunca param.

Scanner OneEscaneie, assine e pergunte

O Scanner One é grátis, com limites generosos: escanear, gerar PDFs limpos e buscar no texto nunca param.

Baixar o Scanner One na App Store