El Reconocimiento Óptico de Caracteres (OCR) convierte imágenes de texto—escaneos, fotos de smartphone, PDFs—en cadenas legibles por máquina y, cada vez más, en datos estructurados. El OCR moderno es una tubería que limpia una imagen, encuentra texto, lo lee y exporta metadatos ricos para que los sistemas posteriores puedan buscar, indexar o extraer campos. Dos estándares de salida ampliamente utilizados son hOCR, un microformato HTML para texto y diseño, y ALTO XML, un esquema orientado a bibliotecas/archivos; ambos preservan posiciones, orden de lectura y otras pistas de diseño y son compatibles con motores populares como Tesseract.
Preprocesamiento. La calidad del OCR comienza con la limpieza de la imagen: conversión a escala de grises, eliminación de ruido, umbralización (binarización) y corrección de inclinación. Los tutoriales canónicos de OpenCV cubren umbralización global, adaptativa y Otsu —elementos básicos para documentos con iluminación no uniforme o histogramas bimodales. Cuando la iluminación varía dentro de una página (piense en las instantáneas del teléfono), los métodos adaptativos a menudo superan a un único umbral global; Otsu elige automáticamente un umbral analizando el histograma. La corrección de la inclinación es igualmente importante: la corrección de inclinación basada en Hough (Transformada de Hough Line) junto con la binarización de Otsu es una receta común y efectiva en las tuberías de preprocesamiento de producción.
Detección vs. reconocimiento. El OCR se divide típicamente en detección de texto (¿dónde está el texto?) y reconocimiento de texto (¿qué dice?). En escenas naturales y muchos escaneos, los detectores totalmente convolucionales como EAST predicen eficientemente cuadriláteros a nivel de palabra o línea sin pesadas etapas de propuesta y se implementan en kits de herramientas comunes (por ejemplo, tutorial de detección de texto de OpenCV). En páginas complejas (periódicos, formularios, libros), la segmentación de líneas/regiones y la inferencia del orden de lectura son importantes:Kraken implementa la segmentación tradicional de zonas/líneas y la segmentación neuronal de línea de base, con soporte explícito para diferentes escrituras y direcciones (LTR/RTL/vertical).
Modelos de reconocimiento. El clásico caballo de batalla de código abierto Tesseract (de código abierto por Google, con raíces en HP) evolucionó de un clasificador de caracteres a un reconocedor de secuencias basado en LSTM y puede emitir archivos PDF con capacidad de búsqueda, salidas compatibles con hOCR/ALTO, y más desde la CLI. Los reconocedores modernos se basan en el modelado de secuencias sin caracteres presegmentados. Clasificación Temporal Conexionista (CTC) sigue siendo fundamental, aprendiendo alineaciones entre secuencias de características de entrada y cadenas de etiquetas de salida; se utiliza ampliamente en tuberías de escritura a mano y texto de escena.
En los últimos años, los Transformers han remodelado el OCR. TrOCR utiliza un codificador Vision Transformer más un decodificador Text Transformer, entrenado en grandes corpus sintéticos y luego ajustado en datos reales, con un sólido rendimiento en benchmarks de texto impreso, manuscrito y de escena (véase también documentación de Hugging Face). En paralelo, algunos sistemas eluden el OCR para la comprensión posterior: Donut (Document Understanding Transformer) es un codificador-decodificador sin OCR que genera directamente respuestas estructuradas (como JSON de clave-valor) a partir de imágenes de documentos (repositorio, tarjeta de modelo), evitando la acumulación de errores cuando un paso de OCR separado alimenta un sistema de IE.
Si desea una lectura de texto con todo incluido en muchas escrituras, EasyOCR ofrece una API simple con más de 80 modelos de lenguaje, que devuelve cuadros, texto y confidencias, útil para prototipos y escrituras no latinas. Para documentos históricos, Kraken brilla con la segmentación de línea de base y el orden de lectura consciente de la escritura; para un entrenamiento flexible a nivel de línea, Calamari se basa en el linaje de Ocropy (Ocropy) con reconocedores (multi-)LSTM+CTC y una CLI para ajustar modelos personalizados.
La generalización depende de los datos. Para la escritura a mano, la Base de datos de escritura a mano IAM proporciona oraciones en inglés de diversos escritores para entrenamiento y evaluación; es un conjunto de referencia de larga data para el reconocimiento de líneas y palabras. Para el texto de escena, COCO-Text superpuso anotaciones extensas sobre MS-COCO, con etiquetas para texto impreso/manuscrito, legible/ilegible, escritura y transcripciones completas (véase también la página original del proyecto). El campo también depende en gran medida del preentrenamiento sintético: SynthText in the Wild representa texto en fotografías con geometría e iluminación realistas, proporcionando enormes volúmenes de datos para preentrenar detectores y reconocedores (referencia código y datos).
Las competiciones bajo el paraguas de Lectura Robusta de ICDAR mantienen la evaluación fundamentada. Las tareas recientes enfatizan la detección/lectura de extremo a extremo e incluyen la vinculación de palabras en frases, con el código oficial informando precisión/recuperación/puntuación F, intersección sobre unión (IoU) y métricas de distancia de edición a nivel de carácter, lo que refleja lo que los profesionales deben rastrear.
El OCR rara vez termina en texto plano. Los archivos y las bibliotecas digitales prefieren ALTO XML porque codifica el diseño físico (bloques/líneas/palabras con coordenadas) junto con el contenido, y se combina bien con el empaquetado METS. El microformato hOCR , por el contrario, incorpora la misma idea en HTML/CSS utilizando clases como ocr_line y ocrx_word, lo que facilita su visualización, edición y transformación con herramientas web. Tesseract expone ambos, por ejemplo, generando hOCR o PDF con capacidad de búsqueda directamente desde la CLI (guía de salida de PDF); los envoltorios de Python como pytesseract añaden comodidad. Existen convertidores para traducir entre hOCR y ALTO cuando los repositorios tienen estándares de ingesta fijos —véase esta lista curada de herramientas de formato de archivo OCR.
La tendencia más fuerte es la convergencia: la detección, el reconocimiento, el modelado del lenguaje e incluso la decodificación específica de la tarea se están fusionando en pilas de Transformer unificadas. El preentrenamiento en grandes corpus sintéticos sigue siendo un multiplicador de fuerza. Los modelos sin OCR competirán agresivamente dondequiera que el objetivo sean salidas estructuradas en lugar de transcripciones literales. Espere también implementaciones híbridas: un detector ligero más un reconocedor de estilo TrOCR para texto de formato largo, y un modelo de estilo Donut para formularios y recibos.
Tesseract (GitHub) · Documentación de Tesseract · Especificación de hOCR · Fondo de ALTO · Detector EAST · Detección de texto de OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Escritura a mano de IAM · Herramientas de formato de archivo OCR · EasyOCR
El Reconocimiento Óptico de Caracteres (OCR) es una tecnología utilizada para convertir diferentes tipos de documentos, como documentos en papel escaneados, archivos PDF o imágenes capturadas por una cámara digital, en datos editables y buscables.
OCR funciona escaneando una imagen o documento de entrada, segmentando la imagen en caracteres individuales y comparando cada carácter con una base de datos de formas de caracteres utilizando reconocimiento de patrones o reconocimiento de características.
OCR se utiliza en una variedad de sectores y aplicaciones, incluyendo la digitalización de documentos impresos, la habilitación de servicios de texto a voz, la automatización de procesos de entrada de datos, y ayudar a los usuarios con discapacidad visual a interactuar mejor con el texto.
Aunque se han hecho grandes avances en la tecnología OCR, no es infalible. La precisión puede variar dependiendo de la calidad del documento original y las especificidades del software OCR que se esté utilizando.
Aunque OCR está diseñado principalmente para texto impreso, algunos sistemas avanzados de OCR también pueden reconocer escritura a mano clara y consistente. Sin embargo, en general, el reconocimiento de la escritura a mano es menos preciso debido a la amplia variación en los estilos de escritura individuales.
Sí, muchos sistemas de software OCR pueden reconocer múltiples idiomas. Sin embargo, es importante asegurar que el idioma específico sea soportado por el software que estás utilizando.
OCR significa Reconocimiento Óptico de Caracteres y se utiliza para reconocer texto impreso, mientras que ICR, o Reconocimiento Inteligente de Caracteres, es más avanzado y se utiliza para reconocer texto escrito a mano.
OCR funciona mejor con fuentes claras y fáciles de leer y tamaños de texto estándar. Si bien puede funcionar con varias fuentes y tamaños, la precisión tiende a disminuir cuando se trata de fuentes inusuales o tamaños de texto muy pequeños.
OCR puede tener dificultades con documentos de baja resolución, fuentes complejas, textos mal impresos, escritura a mano y documentos con fondos que interfieren con el texto. Además, aunque puede trabajar con muchos idiomas, puede que no cubra cada idioma a la perfección.
Sí, OCR puede escanear texto en color y fondos en color, aunque generalmente es más efectivo con combinaciones de colores de alto contraste, como texto negro sobre un fondo blanco. La precisión puede disminuir cuando los colores del texto y del fondo carecen de suficiente contraste.
El formato de imagen PALM, también conocido como Palm Bitmap, es un formato de archivo de gráficos de mapa de bits asociado con los dispositivos Palm OS. Fue diseñado para almacenar imágenes en PDAs (Asistentes Digitales Personales) con Palm OS, que fueron populares a finales de la década de 1990 y principios de la década de 2000. El formato está específicamente adaptado a las limitaciones de visualización y memoria de estos dispositivos portátiles, por lo que está optimizado para imágenes de baja resolución y color indexado que se pueden representar rápidamente en la pantalla del dispositivo.
Las imágenes PALM se caracterizan por su sencillez y eficiencia. El formato admite una paleta de colores limitada, típicamente hasta 256 colores, lo cual es suficiente para las pequeñas pantallas de los PDAs. Este enfoque de color indexado significa que cada píxel de la imagen no se representa por su propio valor de color, sino por un índice a una tabla de colores que contiene los valores RGB (Rojo, Verde, Azul) reales. Este método de representación de color es muy eficiente en términos de memoria, lo cual es crucial para dispositivos con capacidad de RAM y almacenamiento limitados.
La estructura básica de un archivo de imagen PALM consta de un encabezado, una paleta de colores (si la imagen no es monocroma), datos de mapa de bits y posiblemente información de transparencia. El encabezado contiene metadatos sobre la imagen, como su ancho y alto en píxeles, la profundidad de bits (que determina el número de colores) y banderas que indican si la imagen tiene un índice de transparencia o está comprimida.
La compresión es otra característica del formato de imagen PALM. Para ahorrar aún más espacio, las imágenes PALM se pueden comprimir usando un algoritmo de codificación de longitud de secuencia (RLE). RLE es una forma de compresión de datos sin pérdida donde se almacenan secuencias del mismo valor de datos (secuencias) como un solo valor de datos y un recuento. Esto es particularmente efectivo para imágenes con grandes áreas de color uniforme, que es común en iconos y elementos de la interfaz de usuario utilizados en PDAs.
La transparencia en las imágenes PALM se maneja a través de un índice de transparencia. Este índice apunta a un color en la paleta que se designa como transparente, permitiendo la superposición de imágenes sobre diferentes fondos sin un rectángulo opaco y con bordes ásperos alrededor de la imagen. Esta característica es esencial para crear una interfaz de usuario fluida donde los iconos y otros gráficos deben fundirse con su fondo.
La paleta de colores en una imagen PALM es un componente crítico, ya que define el conjunto de colores utilizados en la imagen. La paleta es un array de entradas de color, donde cada entrada es típicamente un valor de 16 bits que representa un color RGB. La profundidad de bits de la imagen determina el número máximo de colores en la paleta. Por ejemplo, una imagen de 1 bit de profundidad tendría una paleta de 2 colores (generalmente negro y blanco), mientras que una imagen de 8 bits de profundidad podría tener hasta 256 colores.
Los datos del mapa de bits en un archivo de imagen PALM son una representación píxel por píxel de la imagen. Cada píxel se almacena como un índice en la paleta de colores. El almacenamiento de estos datos puede estar en un formato sin comprimir o comprimido mediante RLE. En el formato sin comprimir, los datos del mapa de bits son simplemente una secuencia de índices, uno por cada píxel, ordenados en filas de arriba a abajo y columnas de izquierda a derecha.
Uno de los aspectos únicos del formato de imagen PALM es su soporte para múltiples profundidades de bits dentro de una sola imagen. Esto significa que una imagen puede contener regiones con diferentes resoluciones de color. Por ejemplo, una imagen PALM podría tener un icono de alta profundidad de color (8 bits) junto a un elemento decorativo de baja profundidad de color (1 bit). Esta flexibilidad permite un uso eficiente de la memoria utilizando mayores profundidades de bits solo donde es necesario para la calidad visual de la imagen.
El formato de imagen PALM también incluye soporte para iconos personalizados y gráficos de menú, que son esenciales para la interfaz de usuario de las aplicaciones de Palm OS. Estas imágenes se pueden integrar en el código de la aplicación y mostrarse en el dispositivo usando la API (Interfaz de Programación de Aplicaciones) de Palm OS. La API proporciona funciones para cargar, mostrar y manipular imágenes PALM, lo que facilita a los desarrolladores la incorporación de gráficos en sus aplicaciones.
A pesar de su eficiencia y utilidad en el contexto de los dispositivos Palm OS, el formato de imagen PALM tiene varias limitaciones en comparación con formatos de imagen más modernos. Por ejemplo, no admite imágenes de color verdadero (24 bits o más), lo que limita su uso en aplicaciones que requieren gráficos de alta fidelidad. Además, el formato no admite funciones avanzadas como capas, canales alfa (más allá de la transparencia simple) o metadatos como EXIF (Formato de Archivo de Imagen Intercambiable) que se encuentran comúnmente en formatos como JPEG o PNG.
El formato de imagen PALM no se utiliza ampliamente fuera de los dispositivos y aplicaciones de Palm OS. Con el declive de los PDAs con Palm OS y el auge de los smartphones y otros dispositivos móviles con sistemas operativos y capacidades gráficas más avanzados, el formato PALM se ha vuelto en gran medida obsoleto. Los dispositivos móvmodernos admiten una amplia gama de formatos de imagen, incluidos JPEG, PNG y GIF, que ofrecen una mayor profundidad de color, mejor compresión y más funciones que el formato PALM.
Con fines históricos y de archivo, puede ser necesario convertir imágenes PALM a formatos más contemporáneos. Esto se puede hacer utilizando herramientas de software especializadas que pueden leer el formato PALM y transformarlo en un formato como PNG o JPEG. Estas herramientas suelen analizar la estructura del archivo PALM, extraer los datos del mapa de bits y la paleta de colores, y luego reconstruir la imagen en el formato de destino, preservando la mayor calidad de la imagen original posible.
En cuanto a la extensión de archivo, las imágenes PALM suelen usar la extensión '.pdb' (Palm Database), ya que a menudo se almacenan dentro de archivos de base de datos de Palm, que son contenedores para varios tipos de datos utilizados por las aplicaciones de Palm OS. Los datos de la imagen se almacenan en un registro específico dentro del archivo PDB, al que la aplicación puede acceder según sea necesario. Esta integración con el sistema de base de datos de Palm facilita la agrupación de imágenes con otros datos de la aplicación, como texto o configuraciones.
La creación y manipulación de imágenes PALM requieren un conocimiento de las especificaciones y limitaciones del formato. Los desarrolladores que trabajaban con Palm OS solían utilizar kits de desarrollo de software (SDK) proporcionados por Palm, que incluían herramientas y documentación para trabajar con imágenes PALM. Estos SDK proporcionarían bibliotecas para el manejo de imágenes, permitiendo a los desarrolladores crear, modificar y mostrar imágenes PALM dentro de sus aplicaciones sin tener que manejar los detalles de bajo nivel del formato de archivo.
En conclusión, el formato de imagen PALM desempeñó un papel importante en la era de los PDAs con Palm OS, al proporcionar una forma sencilla y eficiente de manejar gráficos en dispositivos con recursos limitados. Si bien ha sido superado por formatos de imagen más avanzados en el panorama tecnológico actual, comprender el formato PALM ofrece una visión de las consideraciones de diseño y las limitaciones de las plataformas móviles anteriores. Para quienes tratan con aplicaciones o dispositivos heredados de Palm OS, el conocimiento del formato PALM sigue siendo relevante para mantener y convertir los antiguos activos de imágenes.
Este convertidor funciona completamente en tu navegador. Cuando seleccionas un archivo, se lee en la memoria y se convierte al formato seleccionado. Luego puedes descargar el archivo convertido.
Las conversiones comienzan al instante, y la mayoría de los archivos se convierten en menos de un segundo. Archivos más grandes pueden tardar más.
Tus archivos nunca se suben a nuestros servidores. Se convierten en tu navegador, y el archivo convertido se descarga luego. Nosotros nunca vemos tus archivos.
Soportamos la conversión entre todos los formatos de imagen, incluyendo JPEG, PNG, GIF, WebP, SVG, BMP, TIFF y más.
Este convertidor es completamente gratis, y siempre será gratis. Debido a que funciona en tu navegador, no tenemos que pagar por servidores, así que no necesitamos cobrarte.
¡Sí! Puedes convertir tantos archivos como quieras a la vez. Sólo selecciona múltiples archivos cuando los agregues.