Copie o Texto de Qualquer Imagem

Porque é que o mesmo documento se lê de duas maneiras

O reconhecimento começa por decidir, pixel a pixel, o que é tinta e o que é papel. Essa decisão é tomada a partir do contraste local, pelo que tudo o que altera o brilho ao longo da página altera a resposta — a sombra da sua mão, uma janela de um lado, a curvatura da lombada de um livro.

É por isso que uma foto que lhe parece perfeitamente legível pode devolver disparates de metade da página e texto quase perfeito da outra. A metade que falhou foi convertida para preto sólido ou branco sólido antes de qualquer caractere ser examinado.

O mínimo de resolução

A precisão é governada pela altura em pixels de uma letra minúscula, não pelos megapixels da imagem. Cerca de 20-30 pixels é confortável. Abaixo de uns 10, as formas que distinguem caracteres semelhantes — a abertura de um «e», a ligação de um «a» — simplesmente não estão nos dados, e nenhum processamento as recupera.

A consequência prática é que aproximar antes de captar vence qualquer passo de pós-processamento. Uma captura de uma página ampliada supera uma captura da página inteira aumentada depois, porque uma tem os pixels e a outra está a inventá-los.

Escolher o idioma importa de facto

O motor resolve formas ambíguas contra um modelo do idioma que selecionou, pelo que a escolha errada não se limita a não ajudar — produz palavras reais, erradas e seguras de si. Texto português lido como inglês volta como disparate de aspeto inglês, e os caracteres acentuados tendem a desaparecer porque o modelo não os espera.

Se um documento mistura idiomas, escolha o dominante em vez de carregar vários. Vários pacotes diluem cada modelo e normalmente custam mais precisão do que o próprio conteúdo misturado.

O que corrigir antes de reconhecer

Quase todas as melhorias estão a montante do passo de reconhecimento.

• Recorte até ao bloco de texto, para a análise de layout não ter mais nada para interpretar.
• Endireite a página — uma pequena inclinação é corrigida automaticamente, uma grande derrota a deteção de linhas.
• Uniformize a iluminação antes de aumentar o contraste; contraste numa imagem irregular amplifica o problema.
• Não aplique nitidez em excesso — os halos que cria são lidos como tinta e fundem caracteres vizinhos.