OCR en documentos borrosos o manchados: cómo recuperar la información

Un escaneado ilegible no tiene por qué ser un documento perdido. Te explicamos cómo limpiar imágenes y ajustar el OCR para rescatar la información, incluso con originales en mal estado.

Si el OCR no reconoce un documento escaneado por estar borroso o manchado, no lo tires: con ajustes básicos en la imagen y en la herramienta de lectura, puedes recuperar hasta el 90% del texto. El truco está en preparar el archivo antes de pasarlo por el OCR.

1. Limpia la imagen antes de procesarla

El OCR falla cuando no distingue bien los caracteres. Si el escaneado tiene manchas, sombras o está desenfocado, prueba estos pasos:

• Aumenta el contraste: Usa herramientas gratuitas como GIMP o Photoshop Express para ajustar niveles. Sube el contraste al máximo y baja el brillo hasta que el texto destaque sobre el fondo. En documentos muy sucios, prueba el modo "blanco y negro" (no escala de grises).
• Elimina ruido: Filtros como "desenfocar" o "reducción de ruido" (en GIMP: Filtros > Mejorar > Reducir ruido) suavizan manchas sin borrar el texto. Si hay líneas o sellos que estorban, usa la herramienta "clonar" para taparlos con el color del fondo.
• Recorta márgenes: Elimina bordes blancos o zonas dañadas que no contengan texto. Cuanto más limpio sea el área de lectura, menos errores cometerá el OCR.

Con una factura manchada, recortar los bordes y subir el contraste suele bastar para que el OCR lea lo que antes se saltaba. Es lo primero que hay que probar, porque no cuesta nada.

2. Ajusta la resolución y el formato del escaneado

El OCR necesita imágenes nítidas. Si el documento original está arrugado o la resolución es baja, estos ajustes ayudan:

• Resolución mínima: Escanea a 300 ppp (puntos por pulgada). Menos de eso, y el texto se pixela. Si el original es muy pequeño (como un recibo), sube a 400 ppp.
• Formato sin compresión: Guarda el archivo en TIFF o PNG (sin pérdida de calidad). Evita JPEG, que comprime la imagen y añade artefactos que confunden al OCR.
• Escaneo en color: Aunque el documento sea en blanco y negro, escanea en color para capturar mejor los matices. Luego, conviértelo a escala de grises o blanco y negro en el postprocesado.

Detalle técnico: 300 ppp es el mínimo razonable para documentos que se van a procesar. Por debajo, la tasa de error sube deprisa en papel fino o con tipografía pequeña, y lo que se ahorra en tamaño de fichero se paga en correcciones a mano.

3. Elige el OCR adecuado y configúralo

No todos los OCR son iguales. Algunas herramientas permiten ajustar parámetros para documentos difíciles:

• Herramientas con preprocesado integrado: Adobe Acrobat Pro o ABBYY FineReader incluyen opciones para «documentos de baja calidad». Actívalas antes de procesar.
• Idioma y diccionario: Configura el OCR en el idioma del documento (ej.: español con diccionario de términos legales o técnicos). Esto reduce errores en palabras poco comunes.
• Modo «texto impreso» vs. «texto manuscrito»: Si el documento tiene anotaciones a mano, usa el modo mixto (en ABBYY: Herramientas > Opciones > Reconocimiento > Modo mixto).

Los OCR con modo de «documento dañado», como ABBYY FineReader, se defienden mejor que uno genérico cuando hay sellos superpuestos o texto tachado. La diferencia depende tanto del documento que merece la pena pasar los dos por el mismo lote antes de pagar por ninguno.

4. Cuando el OCR falla: alternativas manuales

Si después de todo el OCR sigue sin reconocer partes del texto, prueba esto:

• Divide la imagen: Recorta el documento en secciones más pequeñas (ej.: por párrafos) y procesa cada una por separado. A veces, el OCR se bloquea con páginas muy densas.
• Usa herramientas de IA especializadas: Plataformas como Google Cloud Vision o Amazon Textract tienen modelos entrenados para documentos complejos. Sube la imagen y compara resultados con tu OCR habitual.
• Revisión humana + IA: Si el texto es breve (como una matrícula o un número de serie), usa una herramienta de RAG para que la IA complete los huecos con contexto. Por ejemplo, si falta un dígito en una factura, el sistema puede inferirlo si tiene acceso al histórico de proveedores.

Para manuales técnicos con símbolos y fórmulas, los motores entrenados en documentos complejos —Amazon Textract, Google Cloud Vision— reconocen cosas que el OCR tradicional ignora. Más sobre IA para manuales técnicos aquí.

Si el problema es recurrente (como en asesorías o inmobiliarias con archivos antiguos), valora digitalizar los documentos con un escáner profesional y luego aplicar estas técnicas. Cómo la IA puede ayudarte a gestionar esos archivos.