Ottimizzazione della precisione OCR
In questa pagina
Aggiornamento 2 novembre 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) è stato ritirato il 30 settembre 2026. Utilizza OCR 4.1 (mistral-ocr-4-1), disponibile in versione generale dal 31 agosto allo stesso prezzo, oppure l’aliasmistral-ocr-latest, che punta a questa versione dal 16 luglio. OCR 4.1 aggiunge punteggi di confidenza a livello di blocco. Addendum 3 novembre 2026: un PDF locale viene trasmesso in base64 come{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; il tipodocument_base64presente negli esempi più vecchi non esiste né nella documentazione né nell’SDKmistralai, e quegli esempi avrebbero fallito. Fonti: OCR Processor · Document QnA.
La qualità dell’input determina la qualità dell’output
Il team di Mistral è stato chiaro durante il webinar su Document AI: «spazzatura dentro, spazzatura fuori». Non importa quanto sia potente il modello: non può recuperare informazioni che la scansione non ha catturato. Quando un progetto di estrazione rende meno del previsto, il colpevole si trova quasi sempre a monte dell’API: una fotocopia sbiadita, un fax riscansionato o una foto scattata di sbieco in un magazzino poco illuminato. Questa lezione illustra le leve che influenzano realmente la precisione.
Risoluzione e pre-elaborazione
La prima leva è la risoluzione di scansione. Gli obiettivi dipendono dal contenuto del documento:
- Documenti stampati: minimo 200 DPI, consigliati 300 DPI
- Scrittura a mano: minimo 300 DPI
- Tabelle complesse: consigliati 300 DPI
- Documenti storici: 400 DPI o superiori
Sotto questi valori, le linee sottili scompaiono e nessun software può recuperarle. Andare oltre aumenta principalmente la dimensione del file. Se controlli la catena di scansione, configurare correttamente lo scanner ti eviterà molti più problemi di qualsiasi trucco di codifica.
Quando il documento arriva già digitalizzato, la pre-elaborazione dell’immagine può recuperare parte del terreno perso. La funzione seguente concatena quattro operazioni classiche—conversione in scala di grigi, miglioramento del contrasto, nitidezza e binarizzazione—prima di restituire l’immagine codificata in base64, pronta per la chiamata OCR:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Pre-elabora un'immagine per migliorare l'estrazione OCR."""
img = Image.open(image_path)
# 1. Converti in scala di grigi
img = img.convert("L")
# 2. Aumenta il contrasto
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Aumenta la nitidezza
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarizzazione (sogliatura)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Converti in base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Testa questa elaborazione su un campione prima di applicarla a un intero lotto. La binarizzazione, in particolare, è brutale: su un documento già nitido non aggiunge nulla, mentre su un documento a matita può cancellare completamente il testo.
L’orientamento è l’altra correzione da non trascurare. Le scansioni arrivano spesso ruotate di 90 o 180 gradi e le informazioni sull’orientamento sono solitamente memorizzate nei metadati EXIF dell’immagine:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Corregge l'orientamento di un'immagine scansionata tramite metadati EXIF."""
img = Image.open(image_path)
# Usa i dati EXIF per correggere l'orientamento
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # Tag EXIF per l'orientamento
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
Il blocco try ampio è giustificato: molte immagini non hanno dati EXIF e la mancanza di informazioni sull’orientamento non deve interrompere l’elaborazione in batch.
Adattare la configurazione al tipo di documento
Per i documenti stampati comuni—fatture, contratti, report—la configurazione ottimale si riduce a richiedere esplicitamente l’estrazione delle tabelle invece di affidarsi alle impostazioni predefinite:
# Configurazione ottimale per documenti stampati
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" # Estrazione esplicita delle tabelle
)
La scrittura a mano richiede maggiore cura a monte. Scansiona a minimo 300 DPI, aumenta il contrasto tra inchiostro e carta, ma salta la binarizzazione aggressiva dello script precedente: cancella i tratti sottili della penna a sfera e perderai più informazioni di quante ne guadagni. Il modello gestisce bene la scrittura a mano, inclusi i testi multilingue, cosa non scontata con le generazioni OCR precedenti.
Poi ci sono le scansioni gravemente degradate—archivi, documenti stropicciati, copie di copie. La strategia cambia: inizia riducendo il rumore con un filtro mediano prima di aumentare il contrasto, quindi aumenta la luminosità se l’insieme rimane troppo scuro.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Migliora una scansione di bassa qualità."""
img = Image.open(path)
# Riduzione del rumore
img = img.filter(ImageFilter.MedianFilter(size=3))
# Aumenta il contrasto
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Aumenta la luminosità se troppo scuro
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
L’ordine conta: aumentare il contrasto prima di rimuovere il rumore rafforza tanto le macchie quanto le lettere.
Elaborazione di grandi volumi
Quando il numero di file supera qualche unità, hai bisogno di un’elaborazione in batch con gestione degli errori per singolo file. Per volumi molto grandi, Mistral offre il servizio Batch Inference; lo script seguente mostra la logica di base per una cartella di PDF, dove ogni fallimento viene registrato nei risultati invece di interrompere il ciclo:
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:
"""Elabora tutti i PDF in una cartella."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Elaborazione di {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
Questo dizionario dei risultati ti fornisce, al termine dell’elaborazione, l’elenco esatto dei file da ritentare. Su un lotto di diverse centinaia di documenti, fa la differenza tra rieseguire tre file e ricominciare da capo.
Verifica prima di sfruttare
Un’estrazione tecnicamente riuscita può aver fallito nella pratica: una pagina vuota restituita per una scansione illeggibile o un’inondazione di caratteri spazzatura su un’immagine rumorosa. Poche euristiche semplici bastano ad attivare un avviso automatico.
def verify_quality(markdown: str) -> dict:
"""Verifica la qualità di un'estrazione 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),
}
# Avvisi
if indicators["words"] < 10:
indicators["alert"] = "Testo estratto molto limitato"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Elevata percentuale di caratteri speciali"
return indicators
Le due soglie sono indicative e vanno calibrate sul tuo corpus: dieci parole per una pagina di contratto segnalano un problema, ma non per una bolla di consegna che ne contiene solo quindici.
Riepilogo operativo
Ricorda la catena nel suo ordine logico. Scansiona a minimo 300 DPI per qualsiasi documento non banale e aumenta il contrasto prima dell’invio se il documento è sbiadito. Correggi l’angolo di rotazione delle scansioni. Preferisci sempre il PDF nativo alla scansione quando disponibile: la sua qualità è strutturalmente superiore. Specifica esplicitamente table_format="markdown" o "html" ogni volta che sono coinvolte tabelle. Elabora in batch e parallelizza le chiamate per grandi volumi. E valida sistematicamente la qualità dell’estrazione prima di alimentarla nel tuo sistema informativo: i dati errati costano più dei dati mancanti.
Punti chiave
- La qualità del documento sorgente è il fattore primario per la precisione
- La pre-elaborazione dell’immagine (contrasto, nitidezza, binarizzazione) migliora i risultati
- Adatta il tuo approccio al tipo di documento (stampato, scritto a mano, degradato)
- Usa l’elaborazione in batch per grandi volumi
- Convalida sempre la qualità dell’estrazione prima dell’utilizzo