Como digitalizar libros OCR TEXTO PASO A PASO - Fuente: http://www.katarsis-net.com.

ar Herramientas necesarias:

Scanner Software OCR para reconocimiento de textos (esta gua est basada especficamente en el programa Abbyy Fine Reader versin 7 multilenguaje (en adelante FR) por su versatilidad para procesar y reconocer textos escaneados, aunque puedes utilizar cualquier otro -incluso el que ha venido seguramente con tu escner- salvando las diferencias entre uno y otro) Procesador de textos Word 2000

1. Escaneando El primer paso es acceder a la interfase del scanner desde dentro del FR para luego comenzar a escanear las pginas a 300 dpi en modo solo texto (evitando los modos de escala de grises, RGB color, y cualquier filtro de destramado) con un rango tonal tirando a claro para evitar sombras e imperfecciones. Los 300 dpi son para obtener un tamao de letra considerable, de modo que sea fcil de reconocer para el OCR. Lo ms recomendable es escanear todo el libro de un tirn, digitalizando varias imgenes consecutivas (CTRL+Shift+K). FR comenzar a escanear una imagen detrs de otra -sin previewhaciendo el proceso mucho ms rpido que escaneando las pginas una por una manualmente. Pero antes de realizar ese paso, sera conveniente verificar algunas opciones del programa. A medida que se escanean las diferentes pginas, es imprescindible verificar que la imagen salga con buen contraste entre las letras y el fondo, y con la menor cantidad de imperfecciones posible. Para corregirlos en caso que sea necesario, te puedes valer de la interfaz de escaneo que trae incorporada el FR en lugar de la de tu escner. Para ello, accede a las Opciones del programa pulsando CTRL+Shift+O y en la solapa de Digitalizar imagen marca la opcin Usar Interfaz de FR, y luego pulsa el botn de Configuracin del escner para hacer los ajustes necesarios, sobre todo el de Brillo (nivel de umbral). Si tu escaner es muy rpido, puedes dejar marcada la opcin de Pausa entre pginas y especificarle el tiempo que creas adecuado, de manera de tener el tiempo suficiente como para sacar el libro del escaner, pasar de pgina y volver a introducirlo entre escaneo y escaneo. En la solapa de Digitalizar tambin asegrate de marcar las casillas de Convertir imgenes en color o escala de grises a blanco y negro y

Limpiar imagen. Haz las pruebas que creas convenientes hasta obtener un buen resultado de imagen y mantener el ritmo adecuado de escaneo. Si el tamao del libro lo permite, escanea de dos pginas a la vez en sentido horizontal a la cama del escner. FR tiene la opcin de escanear mltiples pginas, enumerando automticamente las imgenes. Para lograr esto, accede a las Opciones del programa, y en la solapa Digitalizar imagen marca la casilla de Separar pginas dobles. Marca tambin la opcin de Detectar orientacin de imagen, asegurndote de poner la pgina de numeracin inferior en el ngulo de inicio de escaneo (generalmente es la esquina superior izquierda de la cama del escner), con el fin de que FR ordene la numeracin de las imgenes adecuadamente.

Nota: si el FR encuentra dificultades para reconocer la orientacin de las pginas o tu mquina se vuelve muy lenta con esta opcin activada, se recomienda hacer lo siguiente luego de escanearlas a todas: utiliza la herramienta de Lote (proceso mltiple de imgenes) para darles un sentido horizontal a todas las imgenes automticamente. Luego creas otro Lote con la opcin de Separar pginas dobles para que FR separe todas las imgenes en pginas individuales con un solo click. 2. Controlando la paginacin A medida que se van escaneando las pginas, el FR va mostrando miniaturas (thumbnails) de las pginas escaneadas en la ventana izquierda, asignndole un nmero que le ha correspondido al pie de la misma. Al finalizar el escaneo, asegrate de hacer coincidir el nmero de la primera pgina con el nmero de esa pgina en el libro; luego puedes hacer que el programa reenumere las dems pginas. Por ltimo, verifica que cada pgina se corresponda con el nmero de la miniatura correspondiente. Es indispensable controlar de que no te hayas salteado ninguna pgina (o que alguna la hayas escaneado, por distraccin, dos veces), como as tambin su correcto orden. 3. Definiendo los bloques del texto a reconocer Antes de indicarle al programa que reconozca el texto, hay que definir en cada pgina las reas o bloques de texto que se deseen reconocer (en caso contrario, el programa no las procesar). Esto puede hacerse manualmente pgina por pgina (men Procesar > Analizar distribucin; CTRL+E), o automticamente y para todas las pginas (CTRL+Shift+E). En el caso del anlisis automtico, una vez que FR ha definido las reas de reconocimiento se recomienda:

eliminar del mismo los nmeros de pgina, los cabezales y pies de pgina. corregir aquellos errores que FR hubiera interpretado como dibujos o textos. corregir los bloques de texto que FR hubiera podido saltearse. verificar el orden de los bloques de texto a reconocer.

Para ello, puedes valerte de la barra de herramientas lateral en la ventana de Imagen para agregar/corregir/eliminar bloques de texto e imagen. 4. Reconociendo el texto Para esta altura ya se le puede dar la orden al programa de reconocer (leer) todas las imgenes (CTRL+Shift+R). Opcionalmente, se pueden reconocer pginas individuales (CTRL+R) o un bloque de texto en particular (CTRL+Shift+B). El proceso de cmo funciona es el siguiente: FR reconoce letra a letra segn su contorno y cuando se encuentra con un espacio en blanco, determina el final de una palabra. Esa palabra luego es chequeada contra su diccionario; si encuentra un error la reemplaza por la que figura en el diccionario y seala el cambio con un marcador celeste; si la palabra no figura en su diccionario la escribe segn el reconocimiento y la seala con el marcador. Una vez que FR termin de reconocer todo el texto, es necesario recorrer pgina por pgina revisando las marcas celestes. Puede que una palabra marcada con este color est bien escrita, en ese caso no es necesario hacer nada. Caso contrario, puedes verificar el error viendo la ampliacin de imagen que aparece en la ventana superior y corregirlo. Esta etapa es muy importante ya que el FR puede detectar errores que el Word no puede reconocer.

Vista general del Fine Reader: 1. Ventana de miniaturas (thumbnails); 2. Ventana de ampliacin de imagen; 3. Imagen completa y definicin de bloques de texto e imgenes dentro del documento 4. Texto reconocido Para realizar la tarea de correccin, conviene ampliar la ventana de la imagen ampliada y el texto reconocido y trabajar con ellas. Para modificar el factor de ampliacin, haz click derecho sobre esta ventana y luego seteas la escala. 5. Guardando el texto reconocido FR tiene varias opciones para guardar el texto. Lo ms conveniente es guardarlo en .rtf, o documento de word. 6. Afinando el texto en Word

Dilogo de Bsqueda avanzada en Word: 1. Botn para acceder a las opciones avanzadas de bsqueda; 2. Pulsando el botn Especial, podrs introducir entidades especiales para su bsqueda. Para la correccin de ciertos errores puedes utilizar la herramienta de bsqueda de Word (Men Editar > Buscar), con el fin de detectarlos automticamente. En la ventana de dilogo de bsqueda, asegrate de que se muestren las opciones avanzadas pulsando el botn Ms. En Especial, encontrars una serie de opciones que usars para corregir algunos errores comunes de reconocimiento de texto. Prrafos interrumpidos Debido a que el libro tiene dimensiones diferentes a la de un documento en pantalla y usa diferentes tipografas y tamaos, el texto reconocido y cargado en Word se presentar con prrafos interrumpidos. Para detectarlos rpidamente puedes realizar una bsqueda avanzada. Presiona CTRL+B para abrir el cuadro de Bsqueda, habilita las opciones avanzadas y pulsando Especial seleccionas el item de [cualquier letra] y luego el de [marca de prrafo]. En la lnea del buscador, aparecer lo siguiente: ^$^p Luego de eso, inicias la bsqueda. (explicacin: ^p indica el salto de prrafo; ^$ cualquier letra. Una vez ubicado el caso a corregir hay que detenerse y corregirlo manualmente.) Tambin deben buscarse las lneas truncas luego de una coma, punto y coma, y dos puntos, ingresando: ,^p ^p ^p respectivamente. Saltos de pgina con corte de palabra. Los saltos de pgina con corte de palabra se pueden corregir automticamente buscando la secuencia guin + marca de salto de prrafo (-^p) y reemplazndola por nada. Esto suprimir todos los guiones y los salto de prrafo dejando las palabras nuevamente unidas. Diferenciar y jerarquizar los ttulos y subttulos para diferenciarlos del resto del texto La nica manera de chequear esto es recorrer el texto entero. Lo ms conveniente es asignarle un estilo a los ttulos y otro a los subttulos, definiendo un estilo diferente (por tipografa y tamao) al del texto general y al de cualquier otro estilo usado.

Correccin de errores que a veces no son detectados por el corrector automtico En el OCR hay errores comunes que suelen aparecer frecuentemente. Estos son:

Confusin del nexo coordinante y por v : la solucin es Buscar y reemplazar todos los (espacio)v(espacio) por (espacio)y(espacio), ya que en la sintaxis castellana, la v corta no va suelta en ningn caso. Reemplazo de letras por dgitos, y comprobacin de dgitos en el documento: la solucin es realizar una bsqueda avanzada seleccionando [cualquier nmero]. Conviene hacer esta comprobacin porque sucede a menudo que el texto original tiene defectos que hacen que el OCR confunda por ejemplo l con 61 o la letra l con 1 , etc.

7. Uso del corrector ortogrfico en Word Dirgete al men Herramientas > Opciones, y en la solapa de Ortografa y gramtica, setea la opcin de Estilo de escritura a Verificacin exhaustiva. Luego inicia la correccin interactiva en Word de todo el documento pulsando F7. Tambin asegrate, habiendo previamente seleccionado todo el texto (CTRL + E), de definir el idioma a espaol desde el men Herramientas > Idioma. Un problema frecuente es que Word muestre los nombres propios como errores, ya que por lo general no se encuentran en su diccionario. Para evitar esto, al llegar a un nombre propio, indicale la opcin de Omitir todos de manera que no vuelva a preguntar por lo mismo. Aplcalo tambin con palabras raras o propias del texto. 8. Correccin por lectura An en la actualidad, los programas no tienen la inteligencia suficiente como para comprender un texto; simplemente se rigen por sus diccionarios. Puede que exista un error pero al detectar que una determinada combinacin de letras corresponde a una palabra que figura en su diccionario, sencillamente la interpretar como correcta. Si el error est en el original impreso en papel (porque sucede que an en estos casos haya errores de tipeado, prrafos cortados y hasta incluso omisin de pginas), entonces la mquina no podr ayudarnos. En este sentido es importante hacer una correccin a conciencia, a pesar de que ello implique tiempo y dedicacin extra. Por eso es conveniente trabajar con libros ya ledos y que sepamos que no tengan grandes errores en su impresin, por lo que tranquilamente se podr saltear este paso. Notas finales Una vez que tienes listo el texto, guardalo preferentemente en formato .rtf. La ventaja de este tipo de archivos es que conservan el formato del documento original, pudindose abrir en prcticamente

cualquier procesador de textos, independientemente de su versin e incluso en mltiples plataformas (PC/Mac). Tambin puedes convertirlo a formato .pdf para su publicacin, si es que tienes las herramientas necesarias y ests seguro de que el texto no contiene errores, ya que una vez publicado, este formato no admite modificaciones. Un ltimo consejo: lo mejor es organizarse con otras personas que tengan fines comunes y que cada una se ocupe de una tarea especfica. Es decir, que alguien se puede ocupar del escaneo y OCR, mientras que al finalizar algun otro puede hacerse cargo de la etapa de correccin, otro del trabajo en Word, revisin, etc. OCR IMAGEN PASO A PASO Para digitalizar un libro hacen falta el software Abby Fine reader 7 y paciencia. Nosotros establecimos un estandart a 300 dpi en blanco y negro. Con eso escaneamos todo el libros salvo las tapas que las escaneamos a color. Lo primero que haremos es crear un nuevo batch (lote en castellano), para que todo tu trabajo quede en una sola carpeta y no se te vayas a confundir con otras imgenes que puedas tener.

Guarda el batch, esto es muy importante para que no vayas a perder ningn archivo en el proceso. Si por alguna razn debes parar tu trabajo y seguir ms tarde u otro da, despus slo ser cosa de que abras este batch con el FR y recomenzar donde quedaste.

Ahora viene el momento de comenzar el scan. Lo primero que tienes que hacer es sealarle algunos parmetros a FR para que salga bien tu trabajo y sea ms fcil.

Selecciona Split dual pages, asi el programa dividir automticamente las pginas de los libros cuando estos los escanees de a dos pginas a la vez. Ojo: si el libro es muy grande y slo puedes escanear pgina a pgina no es necesario que selecciones esta opcin.

Tambin selecciona Detect orientation (durant recognition), para que el FR enderece aquellas pginas que han quedado en una posicin distinta a la del libro al hacer el scan.

Guarda las opciones y comienza el scan. En este caso, la mejor opcin de trabajo es seleccionar en el cono que te aparece arriba scan multiple images, asi el programa comenzar automticamente a escanear todas las pginas que sea necesario, y slo se cerrar una vez que t manualmente se lo indiques cuando ya est todo el libro en formato de imgenes.

Las opciones de scan van a variar de acuerdo a las especificaciones de tu scanner. Aqu nosotros recomendamos usar el controlador propio de cada aparato. Si no sabes usarlo recurre a los manuales que deben haber venido con tu scanner. El scan debe realizarse: en blanco y negro, resolucin de 300 dpi, cuidando de que las imgenes no salgan ni muy claras (porque se pueden perder contenidos) ni muy oscuro (porque pueden aparecer muchas manchas) VEAMOS COMO TRABAJAR CON EL LIBRO SOBRE EL SCANNER Primero ver si el libro se puede escanear a pgina doble sin que sobresalgan mrgenes. El libro debe encuadrarse prefectamente dentro del campo del scanner:

Veamos el margen Izquierdo:

Veamos el margen Derecho:

Veamos ahora como se debe trabajar con el lomo del libro. MUY MAL: queda muy abierto y genera una franja negra que puede superponer texto entre las dos pginas.

PERFECTO: No se deja espacio abierto y la digitalizacin es perfecta.

El libro siempre debe encuadrarse entre el angulo recto izquierdo del scanner. Tomndose la linea vertical izquierda y la base horizontal como referencias para encuadrar correctamente el libro en el scanner.

El lomo del libro tiene que estar siempre lo ms bajos posible, para evitar la franja negra que se produce por dejar espacio.

Los libros a escanearse a pgina simple. Son aquellos libros que no pueden escanearse a pgina doble por el formato propio del libro, ya que supera el formato A4, esto implica escanear hoja a hoja. Este proceso importa dubplicar el tiempo de escaneo, veamos la secuencia: Primero escaneamos una pgina:

hora rotamos el libro en el sentido de las agujas del reloj 360 y escaneamos la otra pgina:

Lo mejor es siempre sacarle la tapa al escanner o desarmarlo para trabajar con mayor comodidad. Una vez tengan todo el libro escaneado, guarden el lote por seguridad. CONSIDERACIONES PREVIAS A DIGITALIZAR 1) El tamao del libro. Resulta muy importante tener presente el tamao de la encuadernacin del libro a digitalizar, antes de iniciar el trabajo de digitalizacin se debe presentar el libro sobre el scanner para calcular si el mismo resulta apto para una rpida digitalizacin. La mayora de los escanners tienen una superficie de escaneo equivalente al tamao de hoja A4. Eso significa que presentando una

hoja A4 sobre la superficie del libro abierto y vemos que superficie cubre el A4 sobre las dos hojas de libro. Lo ideal resultara que el libro abierto a doble pgina encaje perfectamente dentro del campo del scanner y de la hoja A4, sin que sobresalgan mrgenes laterales, inferiores o superiores. Lo ideal siempre resulta que se puedan escanear a pagina doble, pero en muchos casos no resulta posible ya que el tamao de las hojas del libro no lo permite, y el escaneo debe realizarse pgina a pgina. El standart para escanear libros a pgina doble es sobre un libro de 23 x 16 cm. si las dimensiones son mayores el libro debe escanearse pgina a pgina. 2) Que libro elegir para escanear primero ? Digitalizar un libro como todas las cosas implica un proceso de apredizaje, lo que nos lleva a sugerir que sus primeros libros digitales deben ser de pocas pginas, entre 100 y 300. Esto tiene su razn para familiarizarse con el escaner que utiliza y el tiempo que este demora entre pasada y pasada, y practicar constantemente la forma de encuadrar perfectamente el libro dentro de la superficie de escanner en el breve lapso de segundos que le toma al escanner hacer otra pasada para escanear. Sus primeras digitalizaciones tendran errores, hojas que no se ven bien por eso hay que practicar y practicar hasta que Ud. pueda escanear un libro y al mismo tiempo leer otro en la pantalla, navegar por internet o ver un DVD, una vez que se familiarice con los libros y con su escanner, ver que no hay lmites para digitalizar, solamente el tiempo que desee invertir en ello. 3) Que es mejor un libro nuevo o uno viejo ? Lo mejor siempre es bibliografa actualizada, y de consulta constante. Hay textos clsicos indispensables y libros nuevos que casualmente no dicen nada nuevo. Cada profesional o estudiante conoce los autores de cita y las obras de referencia en su campo. Los libros nuevos suelen implicar un trabajo extra ya que para abrirlos bien a doble pgina sobre la superficie del escanner se debe aplicar un esfuerzo superior ya que su encuadernacin se encuentra virgen, sin aperturas, en cambio los libros ya usados y abiertos son muy fciles de exponer sobre el escanner. Existen editoriales con determinado tipo de encuadernacin que puede facilitar o complicar en ms o en menos la digitalizacin de un libro.

4) Porqu se deben evitar los libros subrayados ? Los libros con texto subrayado dificulta el reconocimiento de texto, y visualmente resulta molesto para leer. Si la obra vale la pena se debe recurrir a la goma de borrar y borrar los subrayados. Si el subrayado fu realizado con tinta, y el mismo permite la lectura y las hojas subrayadas no superan el 10% del total de hojas de la misma, se acepta, hasta que se consiga un obra sin subrayar o en mejor estado. 5) Cuanto tiempo toma escanear un libro ? Eso depende exclusivamente de la velocidad de su escaner y de la prctica. Su escanner puede ser muy rpido para sus manos y solo con la prctica se adquiere la velocidad para pasar las hojas y acomodar el libro sobre el escanner en forma correcta, la clave est en la prctica. Pero para hacer un clculo promedio un escanner demora entre cada pasada entre 12 y 20 segundos, demora el mismo tiempo ya sea una pgina simple o doble, ya que la pasada la realiza sobre toda la superficie expuesta del escanner. Existe una gra diferencia de velocidad entre los escanners que se conectan en puerto paralelo y los USB, la recomendacin es que se tenga instalado por sistema operativo Windows XP y un escanner USB con eso la velocidad aumenta considerablemente, utilizar Windows 98 o un escanner por puerto paralelo ralentiza todo el proceso. Una buena opcin es comprar un escanner HP 1410 que es muy rpida y econmica alrededor de los $ 200, una multifuncin que como impresora es un excelente escanner. No sirve como impresora pues consume mucha tinta (que encima es costosa) pero el escanner no necesita de tinta Tenemos entonces para empezar digamos en el peor de los casos 20 segundos por cada 2 pginas, eso hace 6 pginas por minuto, 60 pginas cada 10 minutos, y 360 por hora. POR 12 SEGUNDOS: 002 pginas - 001 pasada ( 1 x 12) = 0012 segundos 010 pginas 005 pasadas ( 5 x 12) = 0060 Segundos 050 pginas - 025 pasadas (25 x 12) = 0300 segundos 100 pginas - 050 pasadas (50 x 12) = 0600 segundos En una hora se digitalizan (3600/12) x 2 = 600 pginas

POR 16 SEGUNDOS: 002 pginas - 001 pasada ( 1 x 16) = 0016 segundos 010 pginas 005 pasadas ( 5 x 16) = 0080 segundos 050 pginas - 025 pasadas (25 x 16) = 0400 segundos 100 pginas - 050 pasadas (50 x 16) = 0800 segundos En una hora se digitalizan (3600/16) x 2 = 450 pginas POR 20 SEGUNDOS: 002 pginas - 001 pasada ( 1 x 20) = 0020 segundos 010 pginas 005 pasadas ( 5 x 20) = 0100 segundos 050 pginas - 025 pasadas (25 x 20) = 0500 segundos 100 pginas - 050 pasadas (50 x 20) = 1000 segundos En una hora se digitalizan (3600/20) x 2 = 360 pginas Esta tabla muestra claramente el tiempo que toma la digitalizacin de pginas y asimismo sirve de gua para calcular el tiempo "optimo" que puede tomar digitalizar un libro conforme la cantidad de pginas que tenga. Que en el peor de los casos se calcula que en una hora se pueden digitalizar 360 pginas. 9) Se debe escanear todo el libro ?. Si. Los libros se escanean desde su tapa a color hasta la ltima pgina, no importa que tenga pginas en blanco al principio o al final, la digitalizacin implica copias digitalies exactas del libro. Las copias deben ser exactas por el hecho que los libros son utilizados para realizar citas textuales, indicando en nmero de pgina, que de otra manera perderan su valor. 14) Cuales son las ventajas de la digitalizacin ? VELOCIDAD DE ACCESO Y CONSULTA: Acceso inmediato a la obra o articulo necesario, y consultar tantos libros digitales al mismo tiempo como se necesite en la misma pantalla. COSTO CERO: La digitalizacin no implica un costo, salvo de tiempo no de dinero. AHORRO DE ESPACIO: Los libros digitales no ocupan espacio ni en el escritorio ni en la biblioteca. PRESERVACIN: Los libros digitales no se deterioran por el paso del tiempo, no se ponen amarillos con los aos, no son alergicos al agua,

o la humedad y son inmunes a las ratas. Los libros digitales no necesitan mantenimiento ni reencuadernacin. EL Papel sufre un proceso natural de oxidacin por su exposicin al aire, lo que lo deteriora notablemente con el paso del tiempo.