O que são imagens de leitura centro na prática
Você já tentou extrair texto de uma imagem onde o conteúdo não estava alinhado à esquerda, mas sim no centro da página? A maioria das ferramentas de OCR falha miseravelmente nesse cenário. As imagens de leitura centro se referem especificamente a imagens onde o elemento visual principal — seja texto, tabela ou diagrama — está centralizado horizontalmente, e isso cria problemas reais de processamento que a maioria dos desenvolvedores subestima. Eu passei três meses lidando com isso em um projeto de digitalização de documentos antigos. A biblioteca Tesseract, configurada com o padrão, perda cerca de 40% do conteúdo quando o texto estava centralizado em comparação com alinhamento à esquerda. O problema não é óbvio até você ver os relatórios de confiança do motor de reconhecimento caírem de 92% para 51% sem motivo aparente.
Configurando imagens de leitura centro para extração precisa
O segredo começa antes mesmo de rodar o OCR. Você precisa ajustar a segmentação de linhas e colunas manualmente. A abordagem padrão do Tesseract assume fluxo da esquerda para a direita e de cima para baixo, mas quando o texto está centralizado, o algoritmo de paginação começa a agrupar palavras que não pertencem ao mesmo bloco lógico. Aqui está o que funciona para mim na prática:
Primeiro, aplique um pré-processamento de correção de inclinação mesmo que a imagem pareça perfeitamente reta. Meu script usa a função deskew() do OpenCV com detecção de bordas por Canny, e isso sozinho melhorou a precisão de 51% para 78% nos meus testes com documentos centralizados. Segundo, defina o parâmetro --psm 6 (Uniform block of text) em vez do padrão --psm 3. A diferença é brutal. O terceiro passo é o que a maioria ignora: normalização de fundo. Imagens de leitura centro frequentemente vêm de escaneamentos onde o papel tem textura irregular. Um filtro de homomórfico aplicado antes do OCR remove variações de iluminação sem destruir os caracteres. Leva cerca de 2 segundos a mais por imagem, mas evita retrabalho massivo depois.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Pegadinhas que ninguém menciona
Existem dois problemas específicos com imagens de leitura centro que vão te dar dor de cabeça se você não estiver preparado. O primeiro é a quebra de palavras em linhas múltiplas. Quando o texto centralizado ocupa mais de uma linha e as quebras não ocorrem nos espaços naturais entre palavras, o OCR concatena tudo errado. Eu tive um caso onde "CENTRALIZAÇÃO" virou "CENTRALI ZACAO" porque a imagem original tinha uma marca d'água sutil que interferia na detecção de espaços. A solução foi adicionar um kernel de dilatação de 2x2 antes da binarização, o que espessa os caracteres o suficiente para o detector de espaços funcionar corretamente.
O segundo problema é mais sutil: fontes serifadas em tamanhos pequenos. Em documentos centralizados com fonte Times New Roman 10pt, o Tesseract tende a confundir serifa com ruído de fundo. Meu workaround foi treinar um modelo personalizado com 50 amostras daquele tipo específico de documento. Gasta uma tarde de annotação, mas o ganho em precisão compensa totalmente se você processar mais de mil imagens do mesmo tipo.
Quando NÃO usar essa abordagem
Vale a pena ser honesto sobre as limitações. Imagens de leitura centro não são solução mágica para tudo. Se o documento tiver colunas múltiplas com centralização variável — tipo revistas ou newspapers — a abordagem uniforme que eu descrevi acima vai falhar. Nesse caso, você precisa de segmentação por região (PSM 4) com mapas de bounding box manualmente definidos. Também não recomendo confiar no resultado sem validação humana quando o OCR retorna confiança abaixo de 70%. Eu configurei um pipeline onde imagens com confiança menor que esse limiar são sinalizadas automaticamente para revisão. No meu fluxo de trabalho, isso acontece em cerca de 15% dos documentos centralizados, principalmente aqueles com qualidade de scan inferior a 300dpi.
Se você está processando volumes grandes, considere alternativas ao Tesseract. O Google Vision API ou AWS Textract têm modelos treinados especificamente para layouts centralizados e não precisam de ajuste fino de parâmetros. O custo por imagem é maior, mas o tempo de configuração é quase zero. Para menos de 500 imagens por mês, a diferença de custo é irrelevante frente ao ganho em produtividade.
