Reconhecimento ótico de carateres (OCR)

O Reconhecimento Óptico de Caracteres (OCR) é uma tecnologia que converte automaticamente texto visual em imagens – seja a partir de documentos digitalizados, fotografias ou ficheiros digitais – em dados de texto editáveis e pesquisáveis. Em vez de transcrever manualmente a informação, o OCR permite a extração automática de dados de:

• Faturas e recibos digitalizados
• Fotografias digitais de documentos
• Ficheiros PDF contendo imagens de texto
• Capturas de ecrã e conteúdos capturados
• Formulários e notas manuscritas

O processo do OCR: Um procedimento passo a passo

O pipeline OCR consiste em cinco etapas essenciais que trabalham em conjunto para transformar informação visual em dados de texto.

As fases do processo de OCR são:

1. Aquisição e entrada de imagens.
2. Pré-processamento e melhoria de imagem.
3. Deteção de regiões de texto.
4. Reconhecimento e classificação de personagens.
5. Geração de saída e pós-processamento.

Vamos analisar cada etapa com mais profundidade.

Fase 1: Aquisição e entrada de imagens

O fluxo de trabalho começa quando uma imagem contendo texto entra no sistema. Pode tratar-se de:

• Uma fotografia tirada com a câmara de um smartphone.
• Um documento digitalizado de um scanner de mesa ou de documentos.
• Um fotograma extraído de um fluxo de vídeo.
• Uma página PDF renderizada como imagem.

Fase 2: Pré-processamento e melhoria de imagem

Antes de começar a deteção de texto, são usadas as seguintes técnicas para otimizar a imagem e garantir melhor precisão de reconhecimento:

• A redução de ruído remove artefactos visuais, manchas de pó e imperfeições de varrimento que podem interferir na deteção de texto. As técnicas específicas utilizadas para realizar redução de ruído incluem:

  • Algoritmos de filtragem e processamento de imagem: filtros gaussianos, filtros medianos e operações morfológicas.
  • Modelos de aprendizagem automática: Autoencoders de remoção de ruído e redes neuronais convolucionais (CNNs) treinados especificamente para limpeza de imagens de documentos.

• O ajuste de contraste realça a diferença entre texto e fundo para tornar os caracteres mais distintos. Mais uma vez, existem múltiplas abordagens possíveis:

  • Métodos clássicos: equalização histográfica, limiar adaptativo e correção gama.
  • Aprendizagem automática: Modelos de aprendizagem profunda que aprendem parâmetros ótimos de melhoria para diferentes tipos de documentos.

• A correção de desvio deteta e corrige a rotação do documento, garantindo que as linhas de texto estão devidamente alinhadas horizontalmente. As técnicas para correção de assimetria incluem:

  • Técnicas matemáticas: transformada de Hough para deteção de linhas, perfis de projeção e análise de componentes ligados.
  • Modelos de redes neurais: CNNs de regressão que prevêem ângulos de rotação diretamente a partir das características da imagem.

• A otimização da resolução ajusta a resolução da imagem ao nível ótimo para algoritmos de reconhecimento de caracteres. Pode otimizar a resolução da imagem com:

  • Métodos de interpolação: algoritmos de reamostragem bicúbica, bilinear e Lanczos.
  • Modelos de super-resolução: Redes generativas adversariais (GANs) e redes residuais que aumentam inteligentemente imagens de texto de baixa resolução.

Etapa 3: Deteção de regiões de texto

O sistema analisa a imagem pré-processada para identificar áreas que contêm texto, utilizando as seguintes técnicas:

• A análise de layout distingue entre regiões de texto, imagens, gráficos e áreas de espaços em branco. As técnicas para análise de layout incluem:

  • Abordagens tradicionais: Análise de componentes conectados, codificação de comprimento de execução e segmentação baseada em projeção.
  • Modelos de aprendizagem profunda: redes de segmentação semântica como U-Net, Mask R-CNN e modelos especializados de análise de layout de documentos (por exemplo, modelos treinados em LayoutLM ou PubLayNet).

• A identificação de blocos de texto agrupa caracteres individuais em palavras, linhas e parágrafos com base em relações espaciais. As abordagens comuns incluem:

  • Métodos clássicos: agrupamento baseado em distâncias, análise de espaços em branco e operações morfológicas
  • Redes neuronais: Redes neurais de grafos e modelos transformadores que compreendem a estrutura espacial de documentos

• A determinação da ordem de leitura estabelece a sequência em que o texto deve ser lido (da esquerda para a direita, de cima para baixo no inglês). A ordem correta pode ser determinada por:

  • Sistemas baseados em regras: Algoritmos geométricos que usam coordenadas de caixas delimitadoras e heurísticas espaciais.
  • Modelos de aprendizagem automática: Modelos de predição de sequências e abordagens baseadas em grafos que aprendem padrões de leitura a partir de dados de treino.

• A classificação por regiões identifica diferentes tipos de regiões de texto (cabeçalhos, texto principal, legendas, tabelas).

  • Classificadores baseados em funcionalidades: Suportam máquinas vetoriais (SVMs) usando funcionalidades feitas à mão como tamanho, posição e formatação da fonte
  • Modelos de aprendizagem profunda: Redes neurais convolucionais e transformadores de visão treinados em conjuntos de dados de documentos rotulados

Fase 4: Reconhecimento e classificação da personagem

Este é o núcleo do processo de OCR, onde os caracteres individuais são identificados:

• Extração de características: Analisa a forma, tamanho e características distintivas de cada carácter ou símbolo.

  • Métodos tradicionais: Características estatísticas como momentos, descritores de Fourier e características estruturais (laços, pontos finais, interseções)
  • Abordagens de aprendizagem profunda: Redes neurais convolucionais que aprendem automaticamente características discriminativas a partir de dados de píxeis brutos

• Correspondência de padrões: Compara características extraídas com modelos treinados que reconhecem diferentes fontes, tamanhos e estilos de escrita.

  • Correspondência de modelos: Comparação direta com modelos de personagens armazenados usando técnicas de correlação
  • Classificadores estatísticos: Modelos de Markov Ocultos (HMMs), Máquinas de Vetores de Suporte e k-vizinhos mais próximos usando vetores de características
  • Redes neurais: perceptrões multicamadas, CNNs e arquiteturas especializadas como a LeNet para reconhecimento de dígitos
  • Aprendizagem profunda avançada: Arquiteturas de redes residuais (ResNet), DenseNet e EfficientNet para classificação robusta de caracteres

• Análise de contexto: Utiliza caracteres e palavras circundantes para melhorar a precisão do reconhecimento através de consultas em dicionários e modelos linguísticos.

  • Modelos N-grama: Modelos estatísticos de linguagem que prevêem sequências de caracteres com base em distribuições de probabilidade.
  • Correção baseada em dicionário: Consulta de léxico com algoritmos de distância de edição (como a distância de Levenshtein) para correção ortográfica.
  • Modelos neurais de linguagem: modelos LSTM e baseados em transformadores (como variantes BERT) que compreendem relações contextuais.
  • Mecanismos de atenção: Modelos Transformer que se focam nas partes relevantes da entrada ao fazer previsões de caracteres.

• Pontuação de confiança: Atribui pontuações de probabilidade a cada carácter reconhecido com base na certeza do sistema quanto à sua identificação.

  • Abordagens bayesianas: Modelos probabilísticos que quantificam a incerteza nas previsões de caracteres.
  • Softmax outputs: Ativações da camada final da rede neural convertidas em distribuições de probabilidade.
  • Métodos de conjunto: Combinar previsões de múltiplos modelos para melhorar as estimativas de confiança.

Etapa 5: Geração de saída e pós-processamento

A fase final converte resultados de reconhecimento em dados de texto utilizáveis:

• Compilação de texto: Reúne reconhecimentos individuais de caracteres em palavras e frases completas.

  • Montagem baseada em regras: Algoritmos determinísticos que combinam previsões de caracteres usando limiares de proximidade espacial e confiança.
  • Modelos de sequência: Redes neuronais recorrentes (RNNs) e redes de memória de longo curto prazo (LSTM) que modelam o texto como dados sequenciais.
  • Modelos baseados em atenção: Arquiteturas transformadoras que conseguem lidar com sequências de comprimento variável e layouts de texto complexos.

• Preservação do formato: Mantém a estrutura do documento, incluindo parágrafos, quebras de linha e espaçamento.

  • Algoritmos geométricos: Sistemas baseados em regras que usam coordenadas de caixas delimitadoras e análise de espaços em branco.
  • Compreensão de layout de modelos: Grafar redes neuronais e documentar modelos de IA que aprendam relações estruturais.
  • Transformadores multimodais: Modelos como o LayoutLM que combinam texto e informação de layout para preservação estrutural.

• Mapeamento de coordenadas: Regista a posição exata de cada elemento de texto dentro da imagem original.

  • Transformação de coordenadas: Mapeamento matemático entre píxeis da imagem e coordenadas do documento.
  • Indexação espacial: Estruturas de dados como R-trees e quad-trees para consultas espaciais eficientes.
  • Modelos de regressão: Redes neuronais treinadas para prever coordenadas precisas de posicionamento do texto.

• Validação de qualidade: Aplica verificações ortográficas e gramaticais para identificar potenciais erros de reconhecimento.

  • Validação baseada em dicionário: Consulte listas abrangentes de palavras e vocabulários especializados de domínio.
  • Modelos estatísticos de linguagem: modelos N-gramas e analisadores probabilísticos para validação gramatical e de contexto.
  • Modelos de linguagem neural: Modelos pré-treinados como GPT ou BERT, ajustados para deteção e correção de erros OCR.
  • Validação em conjunto: Combinar múltiplas abordagens de validação para melhorar a precisão da deteção de erros.