Cómo extraer texto de una imagen o un PDF escaneado (OCR que funciona)
La precisión del OCR se decide antes de ejecutarlo. Cómo influyen la resolución, el contraste y la inclinación, y cómo obtener texto limpio de una página fotografiada.
Actualizado el 11 de agosto de 20265 min de lectura
El reconocimiento óptico de caracteres se ha vuelto muy bueno en silencio: tan bueno que, cuando falla, la causa casi siempre está en la imagen de entrada y no en el motor. Una foto tomada en ángulo con poca luz producirá basura en cualquier sistema OCR del planeta. Cinco minutos dedicados a la imagen antes de empezar suelen llevar la precisión de alrededor del 70 % a bastante más del 95 %, que es la diferencia entre un texto que puedes usar y uno que tienes que reescribir.
Qué está haciendo el OCR
El motor trabaja por fases: localizar las regiones de la imagen que contienen texto, deducir los límites de línea y de palabra, segmentar cada carácter y luego clasificar cada forma contra un modelo de cómo son las letras. Después un modelo de lenguaje limpia el resultado, y por eso rn se convierte correctamente en m dentro de una palabra real pero no dentro de un número de serie.
Cada fase depende de la anterior. Si la detección de líneas falla porque la página está inclinada, la segmentación de caracteres recibe un sinsentido con el que trabajar y ninguna clasificación por lista que sea lo recupera. Por eso domina la calidad de la entrada.
Los cuatro factores que deciden la precisión
| Factor | A qué aspirar | Por qué |
|---|---|---|
| Resolución | 300 PPP: unos 2500 px de ancho en una página A4 | Por debajo, los caracteres tienen muy pocos píxeles para distinguirse |
| Rectitud | Dentro de 1–2° de la horizontal | La detección de líneas se degrada muy rápido con la inclinación |
| Contraste | Texto oscuro sobre fondo claro y uniforme | El bajo contraste difumina el límite del carácter |
| Planitud | Sin curvatura ni deformación en trapecio | Las líneas curvas rompen la fase de detección de líneas |
La resolución es lo que más se falla. Una captura de pantalla de un documento a 800 px de ancho sencillamente no contiene píxeles suficientes por carácter para un reconocimiento fiable, por muy nítida que parezca. Si puedes, vuelve a capturar con más resolución en lugar de intentar rescatar lo que tienes.
Preparar una imagen para OCR
Enderézala
Incluso unos pocos grados de inclinación hacen daño. La herramienta de enderezado de imágenes detecta el ángulo automáticamente o te deja fijarlo a mano.
Corrige la perspectiva
Una página fotografiada desde arriba en ángulo es un trapecio, no un rectángulo, y sus líneas de texto convergen. La corrección de perspectiva devuelve las cuatro esquinas a un rectángulo.
Recorta hasta el texto
Elimina la mesa, los dedos que sujetan la página y la sombra del borde. Todo lo que no es texto es algo que la fase de detección de regiones tiene que descartar.
Sube el contraste si está plano
Un escaneo pálido o una foto con poca luz se benefician de un empujón de contraste en el mejorador de imágenes. No llegues tan lejos como para que los trazos finos se rompan.
Y entonces ejecuta el OCR
Pasa la imagen limpia a imagen a texto. Comparar la salida con tu primer intento suele ser una diferencia llamativa.
El reconocimiento funciona en tu propio dispositivo: facturas, contratos y documentos de identidad nunca se suben.
Extraer texto de una imagenLos PDF escaneados son otro trabajo
Comprueba primero si hace falta OCR. Abre el PDF e intenta seleccionar una línea de texto. Si se resalta, la capa de texto ya existe y deberías extraerla directamente en lugar de volver a reconocer imágenes de ella: la extracción es exacta, el OCR es una conjetura.
Si el cursor dibuja un recuadro sobre una imagen, cada página es una fotografía y PDF a texto ejecutará el reconocimiento sobre ellas. Los documentos de varias páginas tardan proporcionalmente más, así que prueba primero con una sola página (sepárala del resto) antes de comprometerte con doscientas.
Una peculiaridad que conviene conocer: algunos PDF tienen una capa de texto que es en sí misma el resultado de un mal OCR de hace años. El texto se selecciona, pero está mal. En ese caso, volver a renderizar las páginas a imágenes con PDF a imagen a 300 PPP y repetir el reconocimiento da mejor resultado que fiarse de lo que hay.
Con qué sigue teniendo problemas el OCR
- Escritura a mano. El OCR de texto impreso y el reconocimiento de escritura manuscrita son problemas distintos. Espera malos resultados con la cursiva y resultados irregulares con mayúsculas de imprenta cuidadas.
- Tablas complejas. Los caracteres suelen leerse bien; la estructura no. Los límites de columna y las celdas combinadas salen con frecuencia desordenados, así que cuenta con reconstruir la maquetación a mano.
- Maquetación a varias columnas. Los periódicos y los artículos académicos se leen a menudo de lado a lado entre columnas, entrelazando dos frases sin relación.
- Tipografías decorativas y estilizadas. Logotipos, fuentes caligráficas y titulares con mucho espaciado quedan fuera de lo que el modelo de caracteres espera.
- Documentos con poco contraste. Los tickets térmicos descoloridos, las copias de calco y las fotocopias pálidas pierden el límite de carácter que necesita la fase de segmentación.
Sea cual sea la fuente, revisa el resultado. Incluso con un 98 % de precisión por carácter, una página de 2.000 caracteres arrastra unos cuarenta errores, y los fallos de OCR se concentran justo donde más importan: en las cifras de números de referencia y datos bancarios.
Como el reconocimiento se ejecuta por completo en tu propio dispositivo, nada de este contenido llega a un servidor. Eso importa con los documentos que la gente más quiere convertir: facturas, extractos bancarios, informes médicos y papeles de identidad.
Preguntas frecuentes
¿Qué precisión tiene el OCR?
Sobre un escaneo limpio de texto impreso a 300 PPP, bastante por encima del 98 % de precisión por carácter. Sobre una foto de móvil inclinada y con poca luz puede caer por debajo del 70 %. La diferencia se debe casi por completo a la entrada: enderezar, recortar y capturar con más resolución importa más que el motor que uses.
¿El OCR puede leer escritura a mano?
No de forma fiable. El reconocimiento de texto impreso y el de escritura manuscrita son problemas distintos, y el OCR general está pensado para el primero. Las mayúsculas de imprenta cuidadas a veces funcionan; la cursiva por lo general no.
¿Por qué mi resultado de OCR está lleno de caracteres sin sentido?
Normalmente por resolución o inclinación. Si la imagen queda muy por debajo de 300 PPP (unos 2500 px de ancho en una página A4), los caracteres tienen muy pocos píxeles para distinguirse. Si está inclinada más de un par de grados, la detección de líneas falla y todo lo posterior hereda el error.
¿Es seguro hacer OCR de documentos confidenciales en internet?
Solo si la herramienta funciona localmente. La nuestra realiza el reconocimiento en tu propio dispositivo, así que facturas, contratos y documentos de identidad nunca se transmiten, que es justo la categoría de archivo que la gente más necesita convertir.