Fase Da Leitura

Entendendo a fase da leitura em sistemas de reconhecimento óptico

Quando você trabalha com extração de texto de imagens e PDFs, a fase da leitura é onde a maioria dos pipelines trava. Não é o reconhecimento em si que causa problema, é o que acontece antes dele. O processo se divide em três etapas distintas: aquisição da imagem, pré-processamento geométrico e então o reconhecimento propriamente dito. Muita gente pula o meio e espera que um OCR funcione bem com uma foto distorcida ou com baixa resolução. Não funciona.

Configurando a fase da leitura corretamente

Você precisa começar pela fonte de imagem. Se estiver escaneando documentos físicos, resolva 300 DPI no mínimo,preferencialmente 400, em modo RGB ou escala de cinza. Preto e branco binarizado muito cedo destrói informações que o motor de reconhecimento precisa para distinguir letras semelhantes. Eu já vi gente passar uma binarização adaptativa com threshold fixo e o Tesseract confundir "b" com "d" em textos inteiros. O pré-processamento inclui remoção de ruído, correção de inclinação e separação de blocos de texto. A correção de rotação usa projeção horizontal e vertical dos pixels pretos para encontrar o ângulo dominante, ou se for um texto manuscrito irregular, você precisa de um modelo de detecção de linhas baseado em Hough transform. Isso consome tempo mas reduz erros de reconhecemento em até 40% em documentos antigos danificados.

Diferente do que muitos tutoriais ensinam, não adianta aplicar filtros genéricos. Um filtro de médias pode suavizar ruído mas também borra bordas de caracteres pequenos. O ideal é um filtro de mediana com kernel 2x2 ou 3x3, seguido de uma equalização de histograma local usando CLAHE (Contrast Limited Adaptive Histogram Equalization) com faixa de corte de 2.0 e tile size de 8x8. Aqui vai algo que ninguém conta: a fase da leitura em documentos com colunas mistas ou tabelas requer segmentação baseada em connected components antes do OCR. Se você mandar a página inteira direto para o motor, o texto flui de uma coluna para a outra e o resultado é ilegível. Use a biblioteca tesseract com o parâmetro OCRM engine mode configurado para 4, que ativa a detecção automática de layout junto com a segmentação.

Um problema específico que encontrei recentemente foi com PDFs digitalizados de arquivos históricos em português com acentuação raríssima — "ç", "õ", "é", e variações regionais. O modelo padrão do Tesseract não reconhecia mais de 60% desses caracteres. A solução foi treinar um modelo customizado com o arquivo SAM (System Adaptation Material) usando amostras extraídas diretamente dos próprios documentos com a ferramenta o2m, e depois compilar com o trainingstools. Foram cerca de 150 imagens de amostra e 3 horas de treinamento. O ganho foi de 62% para 94% de precisão nos caracteres problemáticos.

Ferramentas e configurações práticas

Para quem quer começar rápido, o Tesseract OCR 5.x com Leptonica como backend de processamento de imagem e o EasyOCR como alternativa para cenários mais complexos são as opções mais sólidas no ecossistema open source. Se precisar de suporte nativo a PDFs estruturados sem conversão intermediária, o OCRmyPDF automatiza toda a cadeia: detecção de rotação, binarização condicional, reconhecimento com HOCR output, e inserção da camada de texto no PDF original mantendo a formatação. Uma limitação importante que muita gente ignora: OCR funciona mal em imagens com fundo texturizado, como papel timbrado, formulários preenchidos à mão em campos imprevisíveis, ou documentos com manchas de umidade. Nesses casos, o melhor approach é isolar a região de interesse com uma máscara criada manualmente ou por detector de bordas Canny, e só então aplicar o reconhecimento na área selecionada. Isso corta o ruído de fundo e melhora o timing em geral porque o motor processa menos pixels.

Não existe configuração universal. Um documento escaneado de jornal dos anos 1950 precisa de tratamento diferente de uma nota fiscal digitalizada ontem. Ajuste o pipeline conforme o tipo de fonte e estado do documento, e nunca pule a validação visual pós-processamento. Um erro de 1% em um banco de dados de dez mil registros vira cento de linhas erradas que ninguém nota até alguém abrir o relatório.