Extrair texto de uma fotografia: como rever o OCR

Imagine que fotografa uma folha com perguntas impressas e algumas notas à mão. Quer aproveitar as perguntas num documento, sem voltar a escrevê-las. O OCR, ou reconhecimento ótico de caracteres, tenta transformar as letras da imagem em texto. O trabalho fica mais fácil se separar três momentos: preparar a imagem, reconhecer e rever.

Antes de reconhecer, verifique a fotografia

Abra a imagem e confirme se consegue ler as letras ao ampliar. Procure texto nítido, iluminação uniforme e bom contraste entre letras e fundo: são também recomendações da documentação da Google sobre preparação para OCR.

1. Veja a folha inteira. Confirme que a primeira e a última linha ficaram na fotografia. Uma parte cortada não pode ser recuperada a partir dessa imagem.
2. Evite sombras e reflexos. Antes de repetir a fotografia, mude a posição da luz ou do documento e confira a zona que estava difícil de ler.
3. Fotografe de frente. Mantenha o telemóvel paralelo à folha, em vez de fotografar de lado. Apoie-o se estiver a obter imagens tremidas.
4. Confira as letras pequenas. Aproxime-se o suficiente para as distinguir, mantendo o conteúdo completo. Se tiver o ficheiro original, prefira-o a uma captura de ecrã de uma imagem já reduzida.

Aumentar as dimensões de uma fotografia desfocada não recria os detalhes que faltam. Se não consegue distinguir um carácter no original, é preferível obter outra fotografia a repetir o reconhecimento sem mudar nada.

Rode primeiro; recorte depois

Na ferramenta Imagem para texto, confirme a orientação na pré-visualização. Use Rodar 90° se a página estiver de lado. A ferramenta tenta corrigir pequenas inclinações, mas não substitui uma boa fotografia de frente. A documentação do Tesseract explica que linhas muito inclinadas dificultam a separação do texto.

Se só precisa de uma parte, abra Recortar área. No computador, desenhe a seleção com o rato; no telemóvel, use o dedo. Também pode ajustar as margens em percentagem com o teclado. Deixe uma pequena margem à volta das letras, sem cortar acentos, pontuação ou o fim das linhas. Margens excessivas e recortes demasiado apertados podem prejudicar a leitura, como indica a orientação do Tesseract sobre margens.

Exemplo: se as notas manuscritas estiverem acima de um questionário impresso e não fizerem parte do texto pretendido, pode excluí-las da seleção. Se estiverem por cima das próprias perguntas, o recorte não consegue separar as duas escritas.

Guarde as correções antes de recomeçar. Rodar limpa o texto e remove o recorte. Aplicar ou remover um recorte também limpa o texto. Escolher outra imagem reinicia os campos do documento, mantendo o idioma escolhido. Cancelar o painel de recorte conserva a seleção e o texto anteriores. O ficheiro original permanece intacto.

Escolha o idioma e faça uma primeira tentativa

Escolha português, inglês ou ambos, conforme o documento. O OCR reconhece o conteúdo; não o traduz. Comece por uma imagem e carregue em Extrair texto. No telemóvel, mantenha o separador aberto enquanto acompanha o progresso.

Se houver um erro evidente, mude uma coisa de cada vez: orientação, área selecionada, idioma ou fotografia. Compare novamente a mesma passagem. Assim consegue perceber se o ajuste ajudou, em vez de repetir sem saber o que mudou.

Reveja em duas passagens

1. Confirme se o texto está completo

Compare o início, o fim e cada parágrafo com a imagem. Numa lista de perguntas, conte as perguntas e confira a sua ordem. Numa carta, procure o cabeçalho, o corpo e a assinatura. Uma página sem aviso de baixa confiança ainda pode ter linhas em falta ou fora de ordem.

2. Confira os detalhes que mudam o significado

Leia lado a lado com o original, dando especial atenção a:

• Nomes e contactos: letras de nomes próprios, endereços de email e números de telefone.
• Números: datas, quantidades, valores, sinais negativos e separadores decimais.
• Palavras pequenas: «não», «de» e outras palavras cuja ausência pode alterar a frase.
• Acentos e pontuação: perguntas, vírgulas e pontos que separam ideias.
• Quebras de linha: palavras divididas no fim de uma linha e parágrafos que ficaram unidos.

Estes exemplos fictícios mostram porque a revisão importa:

• Original: «Total: 10,50 €». Possível erro: «Total: 1050 €». A frase continua legível, mas o valor mudou.
• Original: «Código: O1». Possível erro: «Código: 01». Só o original permite confirmar se o primeiro carácter é uma letra ou um algarismo.
• Original: «Não enviar». Possível erro: «Enviar». Uma palavra em falta pode inverter a instrução.

Corrija diretamente na caixa de texto. Se aparecer Trechos a rever, abra a lista e toque numa palavra para a selecionar. A lista apresenta até 20 palavras de menor confiança; pode incluir palavras certas e deixar erros por assinalar. Quando edita um trecho, ele sai da lista, mas isso não valida a correção. Use-a para orientar a revisão e confira também o resto.

Manuscritos, colunas e tabelas pedem mais atenção

Texto à mão

O motor usado foi concebido sobretudo para texto impresso. A própria FAQ do Tesseract alerta para resultados fracos com caligrafia. Numa folha mista, pode reconhecer a parte impressa e transcrever manualmente as notas necessárias. Se não conseguir ler uma palavra, assinale a dúvida em vez de inventar uma transcrição.

Duas colunas

Compare a ordem das frases: o resultado pode misturar linhas de colunas diferentes. Numa imagem de uma só página, experimente reconhecer uma coluna de cada vez com o recorte. Guarde o texto revisto da primeira antes de mudar a seleção para a segunda e junte as partes pela ordem do original.

Tabelas

Texto simples não conserva células. Confirme a relação entre cada descrição e o respetivo valor; encontrar todos os números não garante que ficaram associados à linha certa. O Tesseract documenta dificuldades com tabelas. Para voltar a ter uma tabela editável, pode ser necessário reconstruí-la manualmente num editor.

Se for um PDF, escolha o resultado pretendido

Use PDF para Word. Primeiro, experimente selecionar e copiar uma frase no PDF. Se o texto copiado estiver completo e correto, a extração direta pode ser suficiente. Uma digitalização pode precisar de OCR; a documentação da Adobe explica o reconhecimento aplicado a páginas digitalizadas.

• Quero editar: escolha «Texto editável» e reveja o texto no editor de documentos.
• Quero conservar a composição visual: escolha «Páginas como imagem». As letras dentro da imagem não ficam editáveis; não precisa de OCR nesse modo.
• Quero consultar a imagem e editar o texto: escolha «Híbrido». A imagem fica numa folha e o texto editável começa na folha seguinte; não fica sobreposto à imagem.

Quando ativar OCR, «Só nas páginas sem texto» é útil num documento misto. Se uma digitalização só tiver o número da página selecionável, ou tiver uma camada de texto errada, considere «Em todas as páginas selecionadas». Teste primeiro um intervalo pequeno e compare o resultado antes de converter o restante documento.

Guarde o texto revisto

Em Imagem para texto, Copiar texto e Descarregar TXT usam o conteúdo atual da caixa, incluindo as suas alterações. O TXT usa UTF-8 para conservar acentos, mas não inclui a fotografia nem o desenho da página. Volte a abrir o ficheiro guardado e confira uma passagem corrigida, especialmente se o for entregar ou partilhar.

Estas ferramentas processam os ficheiros no navegador; a imagem, o PDF e o texto reconhecido não são enviados para um servidor por esta conversão. Na primeira utilização, é necessária ligação para descarregar os recursos de processamento. Ao copiar, o texto passa para a área de transferência; ao descarregar, fica um ficheiro no dispositivo. Tenha isso em conta num equipamento partilhado e consulte a política de privacidade.

Uma confiança elevada garante que o texto está certo?

Não. A indicação do motor ajuda a localizar possíveis dificuldades, mas não substitui a comparação com o original. Um número errado ou uma linha omitida pode passar sem aviso.

Posso recortar um TIFF com várias páginas?

O recorte desta ferramenta está disponível para imagens de uma só página. Para recortar uma página de um TIFF multipágina, exporte-a primeiro como PNG ou JPEG. A pré-visualização do TIFF multipágina mostra a primeira página e a rotação aplica-se a todas.

O OCR conserva o aspeto original?

Reconhecer letras e conservar o desenho da página são objetivos diferentes. Imagem para texto produz texto simples. Em PDF para Word, os modos com imagem conservam a composição visual, enquanto o texto editável pode precisar de reorganização.