Extrair o texto de uma imagem

Como a imagem é lida

O tamanho que o leitor quer é medido pela tinta, e não pelo arquivo. A altura de uma linha de texto é estimada a partir da própria imagem, e tudo é redimensionado para que uma linha fique com cerca de trinta e quatro pixels — uma captura de tela pequena é ampliada até quatro vezes, e uma foto enorme é reduzida, com o lado maior limitado nos dois casos. É por isso que uma foto de nove megapixels de um cardápio não é mais precisa do que uma pequena e nítida, e por isso que uma imagem com menos de uns trezentos pixels no lado menor pula totalmente a detecção de idioma e é lida como escrita latina. Antes de tudo isso, o papel por trás da tinta é estimado em blocos e descontado para nivelar a iluminação, a inclinação da página é medida ao longo de toda a sua altura e corrigida, e o resultado é convertido em preto e branco com um único limiar global.

Escolher o idioma é um teste, e não uma consulta, porque o detector habitual não detecta idiomas. A primeira passagem informa o sistema de escrita e a rotação, nada mais; o sistema de escrita reduz as opções, as configurações de idioma do seu navegador desempatam entre idiomas que compartilham o mesmo, e então cada candidato é de fato usado para ler uma cópia reduzida da imagem e recebe uma nota pela quantidade de palavras confiáveis que produziu. O vencedor lê a página de verdade, e o texto reconhecido é examinado de novo — em busca de acentos, pares de letras característicos, palavras curtas comuns — para ver se outro idioma se sairia melhor. Essa é a engrenagem por trás de “indicar o idioma errado gera uma página vazia com toda a confiança”: o teste existe justamente para que o palpite seja verificado contra a sua imagem, e não simplesmente afirmado.

Vale saber uma coisa sobre o que chega ao resultado. Um parágrafo em que o leitor não tinha confiança é descartado em vez de exibido, então um texto que você vê na imagem pode faltar por completo no resultado, em vez de aparecer como algo sem sentido. O mesmo vale para blocos que o leitor classificou como imagem ou ruído, e para marcas isoladas sem nenhuma letra ou dígito. Nenhum corte é aplicado a palavras comuns com baixa confiança, então erros de leitura dentro de um parágrafo sobrevivem e cabe a você identificá-los. Quando o índice de confiança é razoável e um pedaço da página simplesmente não está lá, foi isso que aconteceu.

Quando você precisa de outra coisa

Nada fica armazenado, mas esta é a única ferramenta do site em que a primeira execução não sai de graça: o leitor em si tem alguns megabytes e cada pacote de idioma tem mais um a cinco, baixados deste site e guardados para a próxima vez. Uma única página vale a espera, e duas mil digitalizações programadas não valem — isso é trabalho para uma ferramenta de OCR para desktop como o OCRmyPDF, que adiciona uma camada de texto a uma pasta inteira com um comando, sem download e sem cliques.

Três coisas simplesmente não são tentadas aqui, e saber quais são é mais rápido do que descobrir. A perspectiva não é corrigida — a rotação da página é medida e corrigida, mas uma foto tirada de lado mantém o formato de trapézio, então vale o segundo a mais para fotografar bem de cima. O limiar que separa a tinta do papel é um valor único para a imagem inteira, e não um por região, então uma página meio na sombra vai perder a metade mais escura mesmo depois de nivelar a iluminação; fotografe de novo com luz uniforme em vez de brigar com ela. E uma tabela montada com espaçamento, sem linhas de grade, não tem linhas para encontrar, então é lida como colunas de texto e só sobrevive à colagem em uma planilha por sorte.