Reconhecimento Óptico de Caracteres¶
O que é¶
OCR (Reconhecimento Óptico de Caracteres, do inglês Optical Character Recognition) é a tecnologia que converte imagens de texto impresso ou datilografado — como a foto ou o escaneamento de uma página — em texto digital editável e pesquisável. Segundo o glossário da Federal Agencies Digitization Guidelines Initiative (iniciativa de agências federais dos Estados Unidos voltada a diretrizes de digitalização, usada como referência por arquivos e bibliotecas), OCR "é uma tecnologia que permite que pontos ou pixels representando caracteres gerados mecanicamente numa imagem raster sejam convertidos em texto digitalmente codificado".
Por que isso importa?¶
OCR é uma etapa fundamental na digitalização de acervos: sem ele, documentos digitalizados permanecem como imagens — pesquisáveis apenas por metadados descritivos, não pelo próprio conteúdo do texto. Entender os limites do OCR ajuda a avaliar a qualidade de uma coleção digitalizada: fontes tipográficas incomuns, papel danificado, colunas complexas ou línguas pouco comuns podem produzir um texto reconhecido cheio de erros, exigindo revisão manual antes de qualquer análise textual automatizada.
Exemplo¶
Uma pesquisadora que digitaliza um jornal histórico usa uma ferramenta como o Tesseract ou o OCRmyPDF para aplicar OCR às páginas escaneadas, transformando as imagens em um PDF pesquisável — o que permite localizar rapidamente todas as menções a um nome ou termo específico ao longo de anos de edições, sem precisar ler cada página manualmente.
Não confunda com¶
OCR não é sinônimo de HTR (Reconhecimento de Texto Manuscrito): OCR é voltado a texto impresso ou datilografado, com formas de caracteres relativamente padronizadas; HTR é uma tecnologia relacionada, mas distinta, voltada especificamente a caligrafia manuscrita, que varia muito mais de pessoa para pessoa. Também não é sinônimo de visão computacional em geral: OCR é uma aplicação específica de visão computacional, focada em reconhecer caracteres, não objetos ou cenas em geral.
Termos relacionados¶
Referências¶
- Federal Agencies Digitization Guidelines Initiative. OCR — Glossary. digitizationguidelines.gov/term.php?term=OCR