Cómo el OCR lee texto en imágenes

Haces una foto a un recibo y, segundos despues, el texto aparece en tu pantalla, editable, buscable y listo para copiar y pegar. Detras de esa interaccion tan simple hay decadas de investigacion en Optical Character Recognition, la tecnologia que ensena a los ordenadores a leer. ?Como mira una maquina los pixeles y ve letras?

Breve historia

El OCR empezo en la decada de 1950, cuando los servicios postales necesitaban clasificar correo automaticamente. Los primeros sistemas solo podian leer tipografias especialmente disenadas e impresas con tinta magnetica (los numeros cuadrados de la parte inferior de los cheques son un vestigio de esa epoca). En los anos 90, los escaneres y el software de OCR de escritorio hicieron practica la digitalizacion documental. Hoy, el OCR funciona en tiempo real en las camaras de los telefonos, leyendo carteles, menus y matriculas.

Como funciona el OCR moderno

Los pipelines modernos de OCR dividen el problema en cuatro etapas:

1. Preprocesamiento de imagen — convertir a escala de grises, eliminar ruido, corregir inclinacion y normalizar el contraste. Este paso es el que mas impacta en la precision.
2. Deteccion de texto — localizar las regiones de la imagen que contienen texto. Los sistemas modernos usan redes neuronales para dibujar cuadros delimitadores alrededor de lineas y palabras.
3. Segmentacion de caracteres — aislar caracteres individuales (o, en sistemas modernos, procesar palabras completas de una vez usando modelos de secuencia).
4. Reconocimiento — clasificar cada caracter con coincidencia de patrones o redes neuronales y despues aplicar modelos de lenguaje para corregir caracteres ambiguos.

Image → Preprocess → Detect text regions → Segment characters → Recognise → Output text
  │         │              │                    │               │
  │     Grayscale      Bounding boxes      Split or         Neural net
  │     Deskew         around lines        sequence         + language
  │     Denoise                            model            model

El motor Tesseract

Tesseract es el motor OCR de codigo abierto mas usado. Fue desarrollado originalmente por Hewlett-Packard en la decada de 1980, se publico como open source en 2005 y hoy lo mantiene Google. Tesseract 5 usa una red neuronal LSTM (Long Short-Term Memory) para el reconocimiento, lo que mejoro drasticamente la precision frente al antiguo enfoque de coincidencia de patrones.

Tesseract admite mas de 100 idiomas y escrituras, entre ellos chino, arabe y devanagari. Puede ejecutarse en el navegador mediante WebAssembly (a traves de librerias como Tesseract.js), lo que significa que el OCR puede ocurrir totalmente en el cliente sin subir imagenes a un servidor.

Que hace dificil al OCR

Factores de precision

La precision del OCR depende mucho mas de la calidad de la entrada que del motor:

• Resolucion — un DPI mas alto significa mas pixeles por caracter, lo que le da al modelo mas datos con los que trabajar. 300 DPI es el estandar para documentos escaneados.
• Contraste — el texto oscuro sobre fondo blanco es ideal. Los fondos coloreados, degradados y marcas de agua reducen la precision.
• Claridad tipografica — las fuentes estandar (Arial, Times) se reconocen con precision casi perfecta. Las tipografias decorativas, manuscritas o muy estilizadas provocan errores.
• Ruido de imagen — polvo, arrugas y artefactos de compresion JPEG confunden los limites de los caracteres.

Usos en el mundo real

• Escaneo de recibos — apps de control de gastos extraen importes, fechas y nombres de comercios
• Digitalizacion documental — bibliotecas convierten libros y archivos en texto buscable
• Reconocimiento de matriculas — los peajes y aparcamientos leen matriculas en tiempo real
• Accesibilidad — los lectores de pantalla usan OCR para describir texto dentro de imagenes a usuarios con discapacidad visual

El OCR no solo lee texto: une el mundo fisico y el digital. Cada formulario escaneado, pizarra fotografiada y cartel traducido depende de una maquina que aprendio a ver letras en pixeles.