Textos digitais são quase que essenciais nos dias atuais. No entanto, nem sempre temos uma cópia digital de um texto impresso para uma possível correção, caso seja necessário. Nesse caso, só digitalizar não resolve. Por isso é essencial termos uma ferramenta que faça a conversão de imagens digitalizadas de texto manuscrito, datilografado ou impresso em documentos pesquisáveis e editáveis. Neste artigo, você conhecerá 5 excelentes sistemas de OCR gratuitos e de código aberto para o seu Linux.
O OCR
Reconhecimento óptico de caracteres (OCR) é a conversão de imagens digitalizadas de texto manuscrito, datilografado ou impresso em documentos pesquisáveis e editáveis. O software OCR é capaz de reconhecer a diferença entre caracteres e imagens e entre os próprios caracteres.
O uso de papel foi deslocado de algumas atividades. As coisas mudaram nos últimos anos, com uma mudança marcante no conceito de escritório sem papel. Os documentos em papel contêm uma grande quantidade de dados e informações gerenciais importantes que seriam melhor armazenados eletronicamente.
Existe um software de computador que torna essa conversão possível. O benefício de digitalizar documentos não é apenas por razões de arquivamento. A tecnologia OCR é vital para obter acesso a informações em papel, bem como para integrar essas informações em fluxos de trabalho digitais.
O software OCR não é popular, portanto, alternativas de código aberto para software proprietário pesado (como OmniPage, ReadIRIS, CVision pdfcompressor ou o ABBYY FineReader compatível com Linux) são bastante escassos.
As coisas também são complicadas pelo fato de que o software OCR precisa de algoritmos muito sofisticados para traduzir a imagem do texto em um texto real preciso. O software também tem que lidar com imagens que contêm muito mais do que texto, como layouts, imagens, gráficos, tabelas, em uma ou várias páginas. Abaixo, você terá acesso a uma lista com 5 excelentes ferramentas para Linux, elaborada pelo Linux Links.
Vamos explorar os 5 sistemas de OCR disponíveis. Para cada título, um pequeno resumo do que trata o software. Qualquer um deles deve suprir suas necessidades, mas você pode testá-los e escolher o que acha melhor.
Sistemas OCR
- Tesseract: Mecanismo de OCR baseado em rede neural de alta qualidade (LSTM) focado no reconhecimento de linha;
- Ocropy: Análise de documentos de código aberto e sistema OCR;
- Cuneiform: Mecanismo OCR para converter documentos OCR em formato editável;
- Ocrad: Mecanismo de OCR baseado em um método de extração de recursos;
- GOCR: Lê imagens em vários formatos.