Archivos y resultados
Comience con lo que contiene el archivo. Un PDF puede contener imágenes, texto codificado o ambos; su nombre de archivo no le indica si sus palabras se pueden seleccionar.
OCR — reconocimiento óptico de caracteres
El proceso de identificar caracteres visibles en una imagen y representarlos como texto codificado. Le permite reutilizar palabras de un escaneo o foto; es posible que el resultado reconocido aún necesite corrección.
PDF escaneado
Un PDF cuyas páginas incluyen imágenes de documentos escaneadas o fotografiadas. Algunos PDF escaneados también tienen una capa de texto OCR, mientras que otros solo contienen imágenes.
PDF nacido digital
Un PDF creado directamente a partir de contenido digital, como un editor de documentos, en lugar de escanear papel. A menudo contiene texto real, aunque la selección y extracción aún pueden verse afectadas por cómo se produjo.
PDF con búsqueda
Un PDF que contiene texto que un lector puede buscar. Una página escaneada puede volverse buscable cuando se añade texto reconocido junto a su imagen. La capacidad de búsqueda no garantiza por sí sola la precisión o la accesibilidad.
Capa de texto
El texto codificado almacenado en un PDF. En una página escaneada, puede ser invisible y estar posicionado sobre o debajo de la imagen para que la selección y la búsqueda funcionen mientras la apariencia original permanece visible.
Estructura de página
Un reconocedor debe hacer más que identificar letras. También debe decidir qué marcas pertenecen juntas y cómo debe moverse el lector a través de ellas.
Análisis de diseño
Identificación de regiones como párrafos, encabezados, imágenes y tablas. Reconocer las palabras de una tabla y preservar su estructura de filas y columnas son tareas relacionadas pero distintas.
Orden de lectura
La secuencia prevista del texto. Un artículo de dos columnas normalmente debería seguir una columna antes de continuar en la siguiente, en lugar de alternar entre ambas. Las palabras correctas en el orden incorrecto pueden producir una transcripción inutilizable.
Segmentación
Dividir una página en unidades más pequeñas como regiones de texto, líneas o caracteres. Los límites incorrectos pueden unir palabras vecinas, dividir un carácter o mezclar partes no relacionadas de una página.
RTL — texto de derecha a izquierda
Texto en escrituras como el árabe o el hebreo que generalmente fluye de derecha a izquierda. Los números y el texto latino incrustado pueden seguir diferentes direcciones. El orden de visualización y el orden de los caracteres almacenados no son necesariamente iguales.
Preparación de imágenes
La preparación cambia la forma en que las marcas existentes se presentan al reconocimiento. No puede establecer texto que la imagen de origen ya no contiene.
PPI y DPI
Los píxeles por pulgada describen el muestreo de imagen a un tamaño físico; los puntos por pulgada describen la densidad de puntos impresos. La configuración de escaneo a menudo utiliza DPI de manera informal. Cambiar el valor almacenado por sí solo no añade detalles a una imagen existente.
Enderezar (Deskew)
Corregir una pequeña inclinación para que las líneas de texto se vuelvan más horizontales. Es diferente de rotar una página al revés o corregir la perspectiva de una fotografía tomada en ángulo.
Binarización
Convertir una imagen en píxeles en blanco y negro utilizando un umbral u otra regla de decisión. Puede simplificar una página clara, pero también puede perder marcas pálidas o fusionar trazos cercanos.
Preprocesamiento
Ajustes de imagen realizados antes del reconocimiento, como la corrección de orientación, el recorte o cambios de contraste. Un ajuste útil mejora las marcas reconocibles sin eliminar puntuación, acentos u otros detalles significativos.
Reconocimiento y revisión
Una evaluación describe una tarea y un conjunto de datos en particular. Lea la definición de una puntuación antes de compararla con otro resultado o utilizarla para juzgar sus propios documentos.
Reconocimiento de escritura a mano
Reconocimiento de caracteres o palabras escritos a mano. Las letras conectadas, las abreviaturas personales y las formas específicas del escritor lo convierten en un desafío diferente al del texto impreso claro.
Puntuación de confianza
Una estimación que un sistema de reconocimiento puede adjuntar a una predicción. Su significado depende del sistema y la calibración. No es automáticamente la probabilidad de que un documento completo sea correcto.
CER — tasa de error de caracteres
Una comparación del texto reconocido con una referencia verificada, basada en inserciones, eliminaciones y sustituciones de caracteres en relación con la longitud de la referencia. Cuanto más bajo, mejor. Un CER bajo aún puede ocultar un error importante en un nombre o número.
WER — tasa de error de palabras
Una comparación similar a nivel de palabra. Un carácter incorrecto puede hacer que una palabra completa cuente como incorrecta. Por lo tanto, WER y CER describen diferentes aspectos de una transcripción y no deben tratarse como intercambiables.
Verdad fundamental (Ground truth)
La referencia verificada utilizada para evaluar el reconocimiento. Sus convenciones de transcripción importan: cómo maneja la puntuación, la ortografía, los espacios y el texto ilegible afecta la comparación. Una referencia defectuosa puede producir una puntuación engañosa.
Preguntas y respuestas
¿Es OCR lo mismo que traducción?
No. OCR lee texto visible en una forma editable. La traducción expresa texto en otro idioma. Revisar el reconocimiento primero ayuda a evitar traducir una fuente mal leída.
¿Una descarga de Word es una copia del diseño original?
No necesariamente. Un documento editable puede contener texto reconocido sin preservar las tablas, el espaciado o el diseño de página de la fuente. Verifique el resultado con el original cuando el diseño sea importante.
¿Por qué pueden discrepar dos puntuaciones de precisión?
Pueden utilizar diferentes documentos, convenciones de referencia o mediciones. Los errores de caracteres, los errores de palabras, las regiones omitidas y los problemas de orden de lectura no son lo mismo.