Sistema para el reconocimiento óptico de caracteres en la digitalización de documentos

Abstract

A causa de la necesidad de almacenar y compartir la información de manera fácil, surge la digitalización de los documentos. Para facilitar el acceso y el uso de la información digitalizada se crean los sistemas para el reconocimiento óptico de caracteres (OCR, por sus siglas en inglés). Estos sistemas están diseñados para reconocer los caracteres que se encuentran dentro de las imágenes resultantes del proceso de digitalización de documentos y de esta manera crear un documento digital con el texto contenido en estas imágenes, el cual le permita al usuario interactuar con dicha información de manera más sencilla. La presente investigación se realiza a causa de la necesidad de la biblioteca de encontrar un OCR desarrollado para plataformas libres para seguir realizando el proceso de digitalización de los documentos que está llevando a cabo, ya que el software utilizado actualmente es propietario y la institución debe migrar hacia tecnologías libres por políticas de la universidad y del país. Con la realización de este trabajo se pretende desarrollar un sistema que reduzca los errores existentes en el reconocimiento de caracteres automático durante el proceso de digitalización de documentos en la biblioteca de la Universidad de las Ciencias Informáticas utilizando tecnologías libres. Este sistema debe ser capaz de detectar y reconocer correctamente los caracteres contenidos dentro de imágenes digitales. Para ello se realiza un análisis a los algoritmos existentes que realizan este proceso, se seleccionan las herramientas necesarias para el desarrollo del sistema, se diseña, se implementa y se realizan pruebas para comprobar la efectividad y el correcto funcionamiento del mismo. Con la implementación del sistema para el reconocimiento óptico de caracteres se pretende que la biblioteca de la Universidad de las Ciencias Informáticas pueda concluir con su migración a software libre y a su vez pueda seguir realizando el proceso de digitalización de los documentos con buena calidad.