Sacar el texto de una imagen

Cómo se lee la imagen

El tamaño que necesita el lector se mide a partir de la tinta y no del archivo. La altura de una línea de texto se estima a partir de la propia imagen y todo se reescala para que una línea quede en unos treinta y cuatro píxeles: una captura de pantalla pequeña se amplía hasta cuatro veces y una fotografía enorme se reduce, con el lado más largo limitado en ambos casos. Por eso una foto de nueve megapíxeles de un menú no es más precisa que una pequeña y nítida, y por eso una imagen de menos de unos trescientos píxeles en su lado más corto se salta por completo la detección de idioma y se lee como escritura latina. Antes de todo eso, el papel detrás de la tinta se estima por zonas y se divide para nivelar la iluminación, se mide la inclinación de la página en toda su altura y se endereza, y el resultado se reduce a blanco y negro con un único umbral global.

Elegir el idioma es una audición y no una consulta, porque el detector habitual no detecta idiomas. La primera pasada informa el sistema de escritura y la rotación, nada más; el sistema de escritura acota las opciones, la configuración de idioma de tu navegador desempata entre idiomas que comparten uno, y después cada candidato se usa realmente para leer una copia reducida de la imagen y se puntúa según cuántas palabras seguras produjo. El ganador lee la página real, y el texto reconocido se vuelve a examinar (los signos diacríticos, los pares de letras característicos, las palabras cortas frecuentes) para ver si otro idioma lo haría mejor. Esta es la maquinaria detrás de “si indicas el idioma equivocado, obtienes una página vacía con total seguridad”: la audición existe precisamente para que la suposición se ponga a prueba con tu imagen en lugar de darse por sentada.

Conviene saber algo sobre lo que llega al resultado. Un párrafo del que el lector no estaba seguro se descarta en lugar de mostrarse, así que un texto que ves en la imagen puede faltar por completo en el resultado en vez de aparecer como un sinsentido. Lo mismo ocurre con los bloques que el lector clasificó como imagen o ruido, y con las marcas aisladas sin ninguna letra ni dígito. No se aplica ningún corte a las palabras comunes de baja confianza, así que las lecturas erróneas dentro de un párrafo sobreviven y te toca detectarlas a ti. Si la cifra de confianza es aceptable y simplemente falta un trozo de la página, eso es lo que pasó.

Si buscas otra cosa

No se guarda nada, pero esta es la única herramienta del sitio en la que la primera vez no sale gratis: el lector en sí pesa unos pocos megabytes y cada paquete de idioma, entre uno y cinco más, descargados de este sitio y conservados para la próxima vez. Por una sola página vale la pena esperar, pero dos mil escaneos programados no: para eso está una herramienta OCR de escritorio como OCRmyPDF, que agrega una capa de texto a toda una carpeta con un solo comando, sin descargas ni clics.

Hay tres cosas que aquí simplemente no se intentan, y saber cuáles es más rápido que descubrirlas. La perspectiva no se corrige: se mide la rotación de la página y se endereza, pero una fotografía tomada de lado conserva su forma de trapecio, así que vale la pena tomarla desde arriba aunque cueste un segundo más. El umbral que separa la tinta del papel es un único valor para toda la imagen y no uno por zona, así que una página a medias en sombra perderá la mitad oscura incluso después de nivelar la iluminación; vuelve a fotografiarla con luz uniforme en lugar de pelear con ella. Y una tabla organizada con espacios en lugar de líneas no tiene líneas que detectar, así que se lee como columnas de texto y sobrevive al pegado en una hoja de cálculo solo por suerte.