Reconocimiento óptico de caracteres (OCR)

Reconocimiento óptico de caracteres (OCR) es una tecnología que convierte automáticamente texto visual en imágenes (ya sea de documentos escaneados, fotografías o archivos digitales) en datos de texto editables y buscables. En lugar de transcribir manualmente la información, OCR permite la extracción de datos automatizada desde:

• Facturas digitalizadas y recibos
• Fotografías digitales de documentos
• Archivos PDF que contienen imágenes de texto
• Capturas de pantalla y contenido capturado
• Formularios y notas manuscritas

El flujo de OCR: un proceso paso a paso

La canalización de OCR consta de cinco fases esenciales que funcionan conjuntamente para transformar la información visual en datos de texto.

Las fases del proceso de OCR son:

1. Adquisición y entrada de imágenes.
2. Preprocesamiento e mejora de imágenes.
3. Detección de regiones de texto.
4. Reconocimiento y clasificación de caracteres.
5. Generación y posprocesamiento de salida.

Vamos a examinar cada fase con más profundidad.

Fase 1: Adquisición y entrada de imágenes

La canalización comienza cuando una imagen que contiene texto entra en el sistema. Esto podría ser:

• Una fotografía tomada con una cámara de smartphone.
• Documento escaneado de un escáner plano o de documentos.
• Fotograma extraído de una secuencia de vídeo.
• Una página PDF representada como una imagen.

Fase 2: Preprocesamiento e mejora de imágenes

Antes de que comience la detección de texto, se usan las técnicas siguientes para optimizar la imagen para mejorar la precisión del reconocimiento:

• La reducción de ruido elimina artefactos visuales, manchas de polvo y imperfecciones de examen que podrían interferir con la detección de texto. Entre las técnicas específicas que se usan para realizar la reducción del ruido se incluyen:

  • Algoritmos de filtrado y procesamiento de imágenes: filtros gaussianos, filtros medianas y operaciones morfológicas.
  • Modelos de Machine Learning: autoencodificadores con eliminación de ruido y redes neuronales convolucionales (CNN) entrenados específicamente para la limpieza de imágenes de documentos.

• El ajuste de contraste mejora la diferencia entre texto y fondo para hacer que los caracteres sean más distintos. De nuevo, hay varios enfoques posibles:

  • Métodos clásicos: ecualización del histograma, umbral adaptable y corrección gamma.
  • Aprendizaje automático: modelos de aprendizaje profundo que aprenden parámetros de mejora óptimos para diferentes tipos de documentos.

• La corrección de asimetría detecta y corrige la rotación de documentos, lo que garantiza que las líneas de texto se alinean correctamente horizontalmente. Entre las técnicas de corrección de asimetría se incluyen:

  • Técnicas matemáticas: transformación Hough para la detección de líneas, perfiles de proyección y análisis de componentes conectados.
  • Modelos de red neuronal: CNN de regresión que predicen ángulos de rotación directamente desde las características de imagen.

• La optimización de resolución ajusta la resolución de imágenes al nivel óptimo para los algoritmos de reconocimiento de caracteres. Puede optimizar la resolución de imágenes con:

  • Métodos de interpolación: algoritmos de muestreo bicúbica, bilineal y Lanczos.
  • Modelos de Super Resolución: redes generativas adversarias (GANs) y redes residuales que escalan de forma inteligente imágenes de texto en baja resolución.

Fase 3: Detección de regiones de texto

El sistema analiza la imagen preprocesada para identificar áreas que contienen texto mediante las técnicas siguientes:

• El análisis de diseño distingue entre las regiones de texto, las imágenes, los gráficos y las áreas de espacio en blanco. Entre las técnicas para el análisis de diseño se incluyen las siguientes:

  • Enfoques tradicionales: análisis de componentes conectados, codificación de longitud de ejecución y segmentación basada en proyección.
  • Modelos de aprendizaje profundo: redes de segmentación semántica como U-Net, Mask R-CNN y modelos de análisis de diseño de documentos especializados (por ejemplo, LayoutLM o modelos entrenados por PubLayNet).

• La identificación de bloques de texto agrupa caracteres individuales en palabras, líneas y párrafos en función de las relaciones espaciales. Entre los enfoques comunes se incluyen:

  • Métodos clásicos: agrupación en clústeres basados en distancia, análisis de espacios en blanco y operaciones morfológicas
  • Redes neuronales: redes neuronales de grafos y modelos de transformador que comprenden la estructura del documento espacial

• La determinación del orden de lectura establece la secuencia en la que se debe leer el texto (de izquierda a derecha, de arriba abajo para inglés). El orden correcto se puede determinar mediante:

  • Sistemas basados en reglas: algoritmos geométricos que usan coordenadas de rectángulo de límite y heurística espacial.
  • Modelos de aprendizaje automático: modelos de predicción de secuencia y enfoques basados en grafos que aprenden a leer patrones de datos de entrenamiento.

• La clasificación de regiones identifica diferentes tipos de regiones de texto (encabezados, texto del cuerpo, títulos, tablas).

  • Clasificadores basados en características: máquinas de vectores de soporte (SVM) utilizando características diseñadas manualmente, como el tamaño de fuente, la posición y el formato.
  • Modelos de aprendizaje profundo: redes neuronales convolucionales y transformadores de visión entrenados en conjuntos de datos de documentos etiquetados

Fase 4: reconocimiento y clasificación de caracteres

Este es el núcleo del proceso de OCR en el que se identifican caracteres individuales:

• Extracción de características: analiza la forma, el tamaño y las características distintivas de cada carácter o símbolo.

  • Métodos tradicionales: características estadísticas como momentos, descriptores de Fourier y características estructurales (bucles, puntos de conexión, intersecciones)
  • Enfoques de aprendizaje profundo: redes neuronales convolucionales que aprenden automáticamente características discriminativas de datos de píxeles sin procesar

• Coincidencia de patrones: compara las características extraídas con los modelos entrenados que reconocen diferentes fuentes, tamaños y estilos de escritura.

  • Coincidencia de plantillas: comparación directa con plantillas de caracteres almacenadas mediante técnicas de correlación
  • Clasificadores estadísticos: Modelos markov ocultos (HMM), máquinas vectoriales de soporte técnico y vecinos más cercanos mediante vectores de características
  • Redes neuronales: perceptrones de varias capas, CNN y arquitecturas especializadas como LeNet para el reconocimiento de dígitos
  • Aprendizaje profundo avanzado: redes residuales (ResNet), arquitecturas DenseNet y EfficientNet para una clasificación de caracteres sólida

• Análisis de contexto: usa caracteres y palabras circundantes para mejorar la precisión del reconocimiento a través de búsquedas de diccionarios y modelos de lenguaje.

  • Modelos de N-gramas: modelos de lenguaje estadístico que predicen secuencias de caracteres en función de las distribuciones de probabilidad.
  • Corrección basada en diccionario: la búsqueda léxica con algoritmos de distancia de edición (como la distancia de Levenshtein) para la corrección ortográfica.
  • Modelos de lenguaje neuronal: LSTM y modelos basados en transformadores (como las variantes BERT) que comprenden las relaciones contextuales.
  • Mecanismos de atención: modelos transformadores que se centran en partes relevantes de la entrada al realizar predicciones de caracteres.

• Puntuación de confianza: asigna puntuaciones de probabilidad a cada carácter reconocido en función del grado de identificación del sistema.

  • Enfoques bayesianos: modelos probabilísticos que cuantifican la incertidumbre en las predicciones de caracteres.
  • Salidas softmax: activaciones de capa final de red neuronal convertidas en distribuciones de probabilidad.
  • Métodos de conjunto: combinación de predicciones de varios modelos para mejorar las estimaciones de confianza.

Fase 5: Generación de salida y posproceso

La fase final convierte los resultados del reconocimiento en datos de texto utilizables:

• Compilación de texto: ensambla reconocimientos de caracteres individuales en palabras y oraciones completas.

  • Ensamblado basado en reglas: algoritmos deterministas que combinan predicciones de caracteres mediante umbrales de proximidad espacial y confianza.
  • Modelos de secuencia: redes neuronales recurrentes (RNN) y redes long Short-Term memory (LSTM) que modela el texto como datos secuenciales.
  • Modelos basados en la atención: arquitecturas de transformador que pueden controlar secuencias de longitud variable y diseños de texto complejos.

• Conservación de formato: mantiene la estructura del documento, incluidos los párrafos, los saltos de línea y el espaciado.

  • Algoritmos geométricos: sistemas basados en reglas usando coordenadas de cuadro delimitador y análisis de espacios en blanco.
  • Modelos de comprensión del diseño: redes neuronales gráficas y modelos de inteligencia artificial de documentos que aprenden a partir de relaciones estructurales.
  • Transformadores multi modal: modelos como LayoutLM que combinan información de diseño y texto para la conservación de la estructura.

• Asignación de coordenadas: registra la posición exacta de cada elemento de texto dentro de la imagen original.

  • Transformación de Coordenadas: Mapeo matemático entre los píxeles de la imagen y las coordenadas del documento.
  • Indexación espacial: estructuras de datos como árboles R y árboles cuadráteros para consultas espaciales eficaces.
  • Modelos de regresión: redes neuronales entrenadas para predecir coordenadas precisas de posicionamiento de texto.

• Validación de calidad: aplica comprobaciones ortográficas y gramaticales para identificar posibles errores de reconocimiento.

  • Validación basada en diccionario: búsqueda en listas de palabras completas y vocabularios de dominio especializados.
  • Modelos de lenguaje estadístico: modelos de N-gramas y analizadores probabilísticos para la validación de gramática y contexto.
  • Modelos de lenguaje neuronal: modelos entrenados previamente como GPT o BERT optimizados para la detección y corrección de errores OCR.
  • Validación de conjuntos: combinación de varios enfoques de validación para mejorar la precisión de la detección de errores.