Optimización de la precisión del OCR
En esta página
Actualización 2 de noviembre de 2026 — OCR. El modelo OCR 4.0 (
mistral-ocr-4-0) se retiró el 30 de septiembre de 2026. Utiliza OCR 4.1 (mistral-ocr-4-1), disponible en producción desde el 31 de agosto al mismo precio, o el aliasmistral-ocr-latest, que apunta a él desde el 16 de julio. OCR 4.1 añade puntuaciones de confianza a nivel de bloque. Addendum 3 de noviembre de 2026: Un PDF local se transmite en base64 como{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; el tipodocument_base64de ejemplos anteriores no existe ni en la documentación ni en el SDKmistralai, y esos ejemplos habrían fallado. Fuentes: Procesador OCR · Document QnA.
La calidad de entrada determina la calidad de salida
El equipo de Mistral fue contundente durante su seminario web sobre Document AI: «basura entra, basura sale». Por potente que sea el modelo, no puede recuperar información que el escaneo no ha capturado. Cuando un proyecto de extracción rinde por debajo de lo esperado, el culpable casi siempre está aguas arriba de la API: una fotocopia desvaída, un fax reescaneado o una foto tomada en ángulo en un almacén mal iluminado. Esta lección cubre las palancas que realmente impactan en la precisión.
Resolución y preprocesamiento
La primera palanca es la resolución del escaneo. Los objetivos dependen del contenido del documento:
- Documentos impresos: 200 PPP mínimo, 300 PPP recomendado
- Escritura a mano: 300 PPP mínimo
- Tablas complejas: 300 PPP recomendado
- Documentos históricos: 400 PPP o superior
Por debajo de estos valores, las líneas finas desaparecen y ningún procesamiento de software puede recuperarlas. Subir más la resolución solo aumenta el tamaño del archivo. Si controlas la cadena de escaneo, configurar correctamente el escáner te ahorrará muchos más problemas que cualquier truco de código.
Cuando el documento llega ya digitalizado, el preprocesamiento de imagen puede recuperar algo de terreno. La siguiente función encadena cuatro operaciones clásicas —conversión a escala de grises, mejora del contraste, enfoque y binarización— antes de devolver la imagen codificada en base64, lista para la llamada al OCR:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Preprocesa una imagen para mejorar la extracción por OCR."""
img = Image.open(image_path)
# 1. Convertir a escala de grises
img = img.convert("L")
# 2. Aumentar el contraste
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Aumentar la nitidez
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarización (umbralización)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Convertir a base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Prueba este procesamiento en una muestra antes de aplicarlo a un lote entero. La binarización, en particular, es brutal: en un documento ya nítido no aporta nada, y en un documento a lápiz puede borrar el texto por completo.
La orientación es la otra corrección que no debes descuidar. Los escaneos suelen llegar rotados 90 o 180 grados, y la información de orientación suele almacenarse en los metadatos EXIF de la imagen:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Corrige la orientación de una imagen escaneada mediante metadatos EXIF."""
img = Image.open(image_path)
# Usar datos EXIF para corregir la orientación
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # Etiqueta de orientación EXIF
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
El bloque try amplio está justificado aquí: muchas imágenes no tienen datos EXIF, y la falta de datos de orientación no debe interrumpir el procesamiento por lotes.
Adaptación de la configuración al tipo de documento
Para documentos impresos comunes —facturas, contratos, informes—, la configuración óptima se reduce a solicitar explícitamente la extracción de tablas en lugar de confiar en la configuración predeterminada:
# Configuración óptima para documentos impresos
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
table_format="markdown" # Extracción explícita de tablas
)
La escritura a mano requiere más cuidado aguas arriba. Escanea a 300 PPP como mínimo, aumenta el contraste entre la tinta y el papel, pero omite la binarización agresiva del script anterior: borra los trazos finos de bolígrafo y perderás más información de la que ganas. El propio modelo gestiona bien la escritura a mano, incluido el texto multilingüe, algo que no estaba garantizado con las generaciones anteriores de OCR.
Luego están los escaneos severamente degradados —archivos, documentos arrugados, copias de copias—. La estrategia cambia: empieza reduciendo el ruido con un filtro de mediana antes de potenciar el contraste y, a continuación, aumenta el brillo si todo sigue demasiado oscuro.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Mejora un escaneo de baja calidad."""
img = Image.open(path)
# Reducción de ruido
img = img.filter(ImageFilter.MedianFilter(size=3))
# Aumentar el contraste
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Aumentar el brillo si está demasiado oscuro
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
El orden importa: potenciar el contraste antes de eliminar el ruido solo refuerza las manchas tanto como las letras.
Procesamiento de volúmenes
Una vez que el número de archivos supera la decena, necesitas procesamiento por lotes con gestión de errores por archivo. Para volúmenes muy grandes, Mistral ofrece el servicio de Inferencia por Lotes (Batch Inference); el siguiente script muestra la lógica básica para una carpeta de PDF, donde cada fallo se registra en los resultados en lugar de romper el bucle:
import os
import json
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def process_folder(folder: str) -> dict:
"""Procesa todos los PDF de una carpeta."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Procesando {file.name}...")
with open(file, "rb") as f:
import base64
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
try:
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
table_format="markdown"
)
results[file.name] = {
"pages": len(response.pages),
"content": "\n\n".join(
p.markdown for p in response.pages
)
}
except Exception as e:
results[file.name] = {"error": str(e)}
return results
Este diccionario de resultados te proporciona, al final del procesamiento, la lista exacta de archivos que debes reintentar. En un lote de varios cientos de documentos, esa es la diferencia entre volver a ejecutar tres archivos y empezar desde cero.
Verificar antes de explotar
Una extracción que ha tenido éxito técnicamente puede haber fallado en la práctica: una página en blanco devuelta para un escaneo ilegible o una avalancha de caracteres basura en una imagen con ruido. Unas pocas heurísticas simples bastan para activar una alerta automática.
def verify_quality(markdown: str) -> dict:
"""Verifica la calidad de una extracción por OCR."""
indicators = {
"length": len(markdown),
"words": len(markdown.split()),
"empty_lines_ratio": markdown.count("\n\n") / max(len(markdown), 1),
"special_chars_ratio": sum(
1 for c in markdown if not c.isalnum() and c not in " \n\t.,;:!?-"
) / max(len(markdown), 1),
}
# Alertas
if indicators["words"] < 10:
indicators["alert"] = "Muy poco texto extraído"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Alta proporción de caracteres especiales"
return indicators
Los dos umbrales son indicativos y deben calibrarse según tu corpus: diez palabras para una página de contrato señalan un problema, pero no para un albarán de entrega que solo contiene quince.
Resumen operativo
Recuerda la cadena en su orden lógico. Escanea a 300 PPP como mínimo para cualquier documento no trivial y aumenta el contraste antes de enviar si el documento está desvaído. Corrige el ángulo de rotación de los escaneos. Prefiere siempre el PDF nativo a un escaneo cuando esté disponible: su calidad es estructuralmente superior. Especifica explícitamente table_format="markdown" o "html" siempre que haya tablas involucradas. Procesa por lotes y paraleliza las llamadas para grandes volúmenes. Y valida sistemáticamente la calidad de la extracción antes de introducirla en tu sistema de información: los datos erróneos cuestan más que los datos faltantes.
Puntos clave
- La calidad del documento fuente es el factor principal de la precisión
- El preprocesamiento de imagen (contraste, nitidez, binarización) mejora los resultados
- Adapta tu enfoque al tipo de documento (impreso, manuscrito, degradado)
- Utiliza el procesamiento por lotes para grandes volúmenes
- Valida siempre la calidad de la extracción antes de usarla