OCR

Primero se busca dónde está el texto

En la foto de un cartel hay mucho más de lo que no es texto que de lo que sí lo es. Por eso el primer paso no es leer, sino encontrar con un recuadro dónde se agrupan las letras. Sin este paso, se terminan leyendo como letras las vetas de un ladrillo o las ramas de un árbol.

La unidad que se busca suele ser el renglón: agrupar en una franja una hilera horizontal de letras es más estable que buscarlas una por una. En documentos con celdas, como tablas o recibos, detectar también los bordes ayuda a saber a qué campo corresponde cada valor.

Una vez encontrado el lugar, se recorta solo esa parte y se pasa al siguiente paso, con lo que el cálculo también se aliviana.

El retoque previo para enderezar

La franja recortada no se lee tal cual. El texto de una foto suele estar inclinado, con un lado más iluminado que el otro, o curvado como el centro de un libro abierto. Por eso primero se hace un retoque: girarlo para que quede horizontal, parejar el brillo y aplanar las superficies curvas.

Este retoque cambia mucho el resultado: entre una foto tomada en diagonal y una tomada derecha del mismo documento, la diferencia en la tasa de reconocimiento se nota a simple vista. Por eso las apps para escanear documentos toman las cuatro esquinas y enderezan la imagen hasta dejarla un rectángulo perfecto.

Cómo se trata el brillo también importa. Si se aplica un solo criterio a toda la hoja, las letras del lado con sombra desaparecen. Si se divide la pantalla en zonas pequeñas y se ajusta cada una por separado, los trazos sobreviven hasta en una foto manchada.

Se lee por renglón, no letra por letra

El método antiguo recortaba cada letra por separado y comparaba su forma. Se derrumbaba en cuanto las letras estaban pegadas o un trazo se cortaba, porque de entrada no se podía decidir dónde cortar.

Los métodos actuales no cortan. Recorren una franja de izquierda a derecha y van soltando las letras una tras otra, sin decidir de antemano hasta dónde llega cada una: el límite se define solo, sobre la marcha. Por eso resisten mucho mejor la letra manuscrita pegada o cursiva.

También cambia el hecho de mirar el contexto: aunque un trazo sea dudoso, las letras que ya salieron antes dan pistas, y ese juicio queda incorporado dentro del propio reconocimiento.

El diccionario y el contexto hacen el ajuste final

El resultado leído no se entrega tal cual. Las letras con formas parecidas siempre dan problemas: el número 0 y la letra O, el número 1 y una raya vertical, dos letras que solo se diferencian por un trazo.

Por eso se agrega un paso que completa con una lista de palabras conocidas y con el contexto. Si alrededor hay un nombre de lugar, se compara con una lista de topónimos; si es un campo de teléfono, se limita a que solo vengan números; si es un campo de fecha, se descartan valores imposibles. Cuanto más fijo es el formato del documento, mejor funciona este paso.

Últimamente, este ajuste final también se deja en manos de un modelo de lenguaje, que corrige lo que suena raro. Pero como a veces inventa algo plausible que no estaba en el original, hay que volver a comparar con la fuente los valores donde equivocarse es grave, como números o nombres.

El español y el coreano no tienen el mismo problema

El alfabeto latino, con mayúsculas y minúsculas, apenas suma unas decenas de formas. El coreano combina consonantes y vocales para formar miles de caracteres distintos, y si se mezcla el hanja, todavía más. Tener tantos candidatos entre los que elegir ya es, de por sí, una dificultad.

También hay muchos pares que se parecen entre sí, así que con una impresión apenas borrosa uno se confunde con otro. Por eso las herramientas para el coreano preparan datos de letras propios, con muestras de distintas tipografías y grados de borrosidad.