Otimização da Precisão do OCR
Nesta página
Atualização de 2 de novembro de 2026 — OCR. O OCR 4.0 (
mistral-ocr-4-0) foi desativado a 30 de setembro de 2026. Utilize o OCR 4.1 (mistral-ocr-4-1), disponível para uso geral desde 31 de agosto pelo mesmo preço, ou o aliasmistral-ocr-latest, que aponta para ele desde 16 de julho. O OCR 4.1 adiciona pontuações de confiança ao nível do bloco. Adenda de 3 de novembro de 2026: Um PDF local é transmitido em base64 como{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; o tipodocument_base64de exemplos anteriores não existe nem na documentação nem no SDKmistralai, e esses exemplos teriam falhado. Fontes: Processador de OCR · QnA de Documentos.
A Qualidade da Entrada Determina a Qualidade da Saída
A equipa da Mistral foi direta durante o seu webinar sobre Document AI: é «lixo que entra, lixo que sai». Por mais poderoso que seja o modelo, este não consegue recuperar informações que a digitalização não capturou. Quando um projeto de extração tem um desempenho abaixo do esperado, o culpado está quase sempre a montante da API: uma fotocópia desbotada, um fax re-digitalizado ou uma fotografia tirada num ângulo incorreto num armazém mal iluminado. Esta lição aborda as alavancas que impactam realmente a precisão.
Resolução e Pré-processamento
A primeira alavanca é a resolução da digitalização. Os alvos dependem do conteúdo do documento:
- Documentos impressos: mínimo de 200 DPI, recomendado 300 DPI
- Escrita manual: mínimo de 300 DPI
- Tabelas complexas: recomendado 300 DPI
- Documentos históricos: 400 DPI ou superior
Abaixo destes valores, as linhas finas desaparecem e nenhum processamento de software as consegue recuperar. Aumentar a resolução além disso apenas aumenta o tamanho do ficheiro. Se controlar a cadeia de digitalização, configurar corretamente o scanner poupar-lhe-á muito mais problemas do que qualquer truque de codificação.
Quando o documento já chega digitalizado, o pré-processamento de imagem pode recuperar algum terreno. A função abaixo encadeia quatro operações clássicas — conversão para escala de cinzentos, melhoria de contraste, nitidez e binarização — antes de devolver a imagem codificada em base64, pronta para a chamada OCR:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Pré-processa uma imagem para melhorar a extração por OCR."""
img = Image.open(image_path)
# 1. Converter para escala de cinzentos
img = img.convert("L")
# 2. Aumentar o contraste
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Aumentar a nitidez
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarização (limiarização)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Converter para base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Teste este processamento numa amostra antes de o aplicar a um lote inteiro. A binarização, em particular, é brutal: num documento já nítido, não acrescenta nada; num documento a lápis, pode apagar o texto completamente.
A orientação é a outra correção que não deve negligenciar. As digitalizações chegam frequentemente rodadas 90 ou 180 graus, e a informação de orientação está geralmente armazenada nos metadados EXIF da imagem:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Corrige a orientação de uma imagem digitalizada através dos metadados EXIF."""
img = Image.open(image_path)
# Utilizar dados EXIF para corrigir a orientação
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # Etiqueta de orientação 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
O bloco try abrangente justifica-se aqui: muitas imagens não possuem dados EXIF, e a falta de dados de orientação não deve interromper o processamento em lote.
Adaptação da Configuração ao Tipo de Documento
Para documentos impressos comuns — faturas, contratos, relatórios — a configuração ótima resume-se a solicitar explicitamente a extração de tabelas, em vez de confiar nas definições padrão:
# Configuração ótima para documentos impressos
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" # Extração explícita de tabelas
)
A escrita manual requer mais cuidados a montante. Digitalize a no mínimo 300 DPI, aumente o contraste entre a tinta e o papel, mas ignore a binarização agressiva do script anterior: esta apaga traços finos de esferográfica e perderá mais informação do que aquela que ganha. O próprio modelo lida bem com a escrita manual, incluindo texto multilingue, o que não era garantido com gerações anteriores de OCR.
Depois, existem as digitalizações severamente degradadas — arquivos, documentos amarrotados, cópias de cópias. A estratégia muda: comece por reduzir o ruído com um filtro mediano antes de aumentar o contraste e, em seguida, aumente o brilho se o conjunto permanecer demasiado escuro.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Melhora uma digitalização de baixa qualidade."""
img = Image.open(path)
# Redução de ruído
img = img.filter(ImageFilter.MedianFilter(size=3))
# Aumentar o contraste
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Aumentar o brilho se estiver demasiado escuro
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
A ordem importa: aumentar o contraste antes de remover o ruído apenas reforça as manchas tanto quanto as letras.
Processamento de Volumes
Assim que o número de ficheiros excede algumas unidades, necessita de processamento em lote com tratamento de erros por ficheiro. Para volumes muito grandes, a Mistral oferece o serviço Batch Inference; o script seguinte mostra a lógica básica para uma pasta de PDFs, onde cada falha é registada nos resultados em vez de quebrar o 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:
"""Processa todos os PDFs numa pasta."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Processing {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 dicionário de resultados fornece-lhe, no final do processamento, a lista exata de ficheiros a repetir. Num lote de várias centenas de documentos, essa é a diferença entre voltar a executar três ficheiros e começar tudo do zero.
Verificar Antes de Explorar
Uma extração que foi tecnicamente bem-sucedida pode ter falhado na prática: uma página em branco devolvida para uma digitalização ilegível ou uma inundação de caracteres sem sentido numa imagem ruidosa. Algumas heurísticas simples são suficientes para acionar um alerta automático.
def verify_quality(markdown: str) -> dict:
"""Verifica a qualidade de uma extração 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"] = "Muito pouco texto extraído"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Elevada proporção de caracteres especiais"
return indicators
Os dois limiares são indicativos e devem ser calibrados para o seu corpus: dez palavras numa página de contrato sinalizam um problema, mas não numa guia de entrega que contenha apenas quinze.
Resumo Operacional
Recorde a cadeia na sua ordem lógica. Digitalize a no mínimo 300 DPI para qualquer documento não trivial e aumente o contraste antes do envio se o documento estiver desbotado. Corrija o ângulo de rotação das digitalizações. Prefira sempre o PDF nativo a uma digitalização quando disponível: a sua qualidade é estruturalmente superior. Especifique explicitamente table_format="markdown" ou "html" sempre que houver tabelas envolvidas. Processe em lotes e paralelize as chamadas para grandes volumes. E valide sistematicamente a qualidade da extração antes de a alimentar no seu sistema de informação — dados maus custam mais do que dados em falta.
Pontos-chave
- A qualidade do documento de origem é o fator primário de precisão
- O pré-processamento de imagem (contraste, nitidez, binarização) melhora os resultados
- Adapte a sua abordagem ao tipo de documento (impresso, manuscrito, degradado)
- Utilize o processamento em lote para grandes volumes
- Valide sempre a qualidade da extração antes da utilização