Imagem para Texto

O que acontece à sua imagem

Imagem para texto, também chamada OCR (reconhecimento ótico de caracteres), analisa as formas das letras numa imagem e descobre quais são os caracteres. Aqui, esse trabalho é feito por um motor OCR de código aberto, o Tesseract, a funcionar dentro do seu separador do navegador. Na primeira vez que utiliza um idioma, o seu navegador descarrega o modelo desse idioma deste site, entre um e três megabytes. Depois disso, a imagem é lida no seu próprio dispositivo.

Nada sobre a imagem é enviado para qualquer lugar: nem para o DocTranslator, nem para um serviço de OCR. Isso é importante para as coisas que as pessoas fotografam com mais frequência para ler, como uma carta de um escritório, uma prescrição, uma página de contrato ou um passaporte.

Como obter texto limpo de uma foto

O OCR é tão bom quanto a imagem que lê. Quatro coisas fazem a maior diferença:

• Escolha primeiro o idioma correto. O motor lê com o alfabeto e o vocabulário do idioma que escolher. Russo lido como inglês resulta em disparates, e os acentos em francês ou polaco desaparecem quando o idioma está errado.
• Fotografe a página de forma plana e direita. Segure o telemóvel diretamente sobre o papel, preencha o enquadramento com a página e evite que a lombada de um livro curve. Linhas que dobram confundem mais o motor do que uma imagem pequena.
• Ilumine-a uniformemente. Uma sombra sobre a página, ou o reflexo de um flash em papel brilhante, esconde letras. A luz do dia de uma janela, sem o flash, geralmente funciona melhor.
• Mantenha-a nítida. Toque no ecrã para focar o texto antes de tirar a foto. Letras pequenas precisam de ser grandes o suficiente na imagem para serem lidas com os seus próprios olhos.

O que o OCR faz de errado

Mesmo um bom scan volta com alguns erros, e eles tendem a ser os mesmos: a letra l lida como o número 1, O como 0, rn como m, uma vírgula perdida no final de uma linha. Nomes, números e datas merecem uma segunda olhada antes de os copiar para algo que conte.

A caligrafia é muito mais difícil do que a impressão, e a caligrafia ligada é frequentemente lida mal ou nada. A saída é texto simples, pelo que o layout da página não é mantido: as colunas são lidas uma após a outra, e uma tabela volta como linhas de palavras. Quando também precisa do layout, a secção seguinte é a forma de o manter.

Quando precisa do texto noutro idioma

Copiar o texto para um tradutor perde a página: os carimbos, a tabela, onde cada linha estava. Para traduzir um documento digitalizado com o seu layout, carregue o scan para o DocTranslator em vez disso. Ele lê o scan com OCR, traduz o texto e devolve um ficheiro que se parece com o original, em qualquer um dos 108 idiomas.

A ferramenta do navegador nesta página lê inglês, espanhol, francês, alemão, italiano, português, russo, ucraniano, polaco, turco, árabe, hindi, chinês (simplificado), japonês, coreano e vietnamita. Num PDF digitalizado, lê as primeiras 5 páginas; uma tradução lê todas as páginas, em todos os idiomas que o DocTranslator suporta.