Como extrair texto de uma imagem ou captura de ecrã (OCR)

O que é o OCR

O OCR (reconhecimento ótico de caracteres) é uma tecnologia que procura formas de letras numa imagem e as converte em texto verdadeiro. Para um computador, uma fotografia é apenas uma grelha de píxeis, pelo que, sem OCR, não é possível selecionar, copiar nem pesquisar as palavras que ela contém.

O resultado não é magia: o software adivinha cada carácter com base na sua forma e num dicionário do idioma. É por isso que uma fotografia nítida e bem iluminada dá um resultado muito melhor do que uma inclinada ou desfocada.

Como extrair o texto passo a passo

• Abra a ferramenta de imagem para texto e escolha a sua imagem (JPG, PNG, WebP ou semelhante).
• Selecione o idioma do documento. O texto em lituano, com caracteres como ą, č, ę, ė, į, š, ų, ū e ž, é reconhecido com mais precisão quando o idioma está bem definido.
• Inicie o reconhecimento e aguarde: na primeira vez, pode ser preciso transferir os dados do idioma, por isso pode demorar mais.
• Reveja o resultado e corrija os erros, sobretudo números, datas, nomes e montantes.
• Copie o texto ou guarde-o num ficheiro.

Preparar a imagem para obter melhores resultados

A qualidade da origem importa mais do que tudo. Alguns passos simples melhoram muitas vezes o resultado mais do que qualquer definição.

• Fotografe diretamente de cima, para que as linhas não fiquem inclinadas nem distorcidas.
• Use uma iluminação uniforme, sem sombras nem reflexos do flash.
• Os caracteres devem ter tamanho suficiente: se a imagem for muito pequena, amplie-a antes do reconhecimento e, se for enorme, reduza-a para que o processamento seja mais rápido.
• Recorte as margens desnecessárias para que o texto se destaque bem do fundo.
• Guarde as capturas de ecrã em PNG e não em JPG muito comprimido: os artefactos à volta das letras confundem o reconhecimento.

O que funciona bem e o que não funciona

Onde o OCR é mais útil

Exemplos típicos: dados de talões e faturas que precisa de passar para uma folha de cálculo, excertos de livros ou artigos digitalizados, texto de diapositivos ou capturas de ecrã que quer citar e fotografias de documentos antigos que quer tornar pesquisáveis.

Se precisar de várias páginas, o melhor é processá-las uma de cada vez e juntar os resultados manualmente. Atenção às tabelas: o OCR lê muitas vezes bem as palavras, mas desfaz a estrutura das colunas, pelo que os dados tabulares têm de ser arrumados à mão.

Privacidade

As fotografias contêm muitas vezes dados sensíveis: números de identificação pessoal, números de conta, notas médicas. Muitos serviços de OCR online enviam o ficheiro para o seu servidor. A ferramenta do Konvertavimas.lt faz o reconhecimento no seu navegador, pelo que a imagem nunca é enviada para lado nenhum.

Quando terminar, limpe da área de transferência e da pasta de transferências o texto de que já não precisa.

O que fazer se o resultado for fraco

Primeiro, verifique o idioma selecionado. Um erro comum é reconhecer texto em lituano com o inglês selecionado, o que transforma as letras acentuadas em letras simples ou em símbolos estranhos.

Se o texto continuar truncado, experimente aumentar o contraste ou rodar a imagem para a posição correta. Se isso não ajudar, tire de novo a fotografia em melhores condições. Em resultados longos, um contador de palavras ajuda a verificar a coerência do texto e os caracteres errados que se repetem podem ser corrigidos com localizar e substituir.