Mejorar PDF escaneado, enderezar y limpiar

Acerca de Mejorar PDF escaneado, enderezar y limpiar

La mejora de escaneos tiene cinco pestañas. Mejorar ajusta el color del papel, el tono y la conversión a blanco y negro; Enderezar corrige páginas torcidas; Motas elimina puntitos sueltos; Bordes quita bordes negros, agujeros de perforadora y sombras del lomo; Orientación gira las páginas tumbadas o boca abajo.

Las pestañas tratan el PDF de dos maneras muy distintas. Enderezar y Orientación no rasterizan nada: giran el sistema de coordenadas de la página, así que el texto buscable y la calidad de imagen quedan intactos. Mejorar, Motas y Bordes convierten cada página en píxeles, los corrigen y sustituyen el contenido de la página por esa imagen, con lo que la capa de texto que hubiera desaparece. Un orden razonable es orientación, enderezado, bordes y motas, mejora y, al final, OCR.

Mejorar: cómo el papel amarillento pasa a blanco

La herramienta toma como color del papel la media del 30 % de píxeles más claros. En un documento antiguo suele salir un amarillo con mucho rojo y poco azul. Cada canal se multiplica para que el papel llegue a 255 —un balance de blancos—, con la ganancia limitada a 2,5× y la referencia a un mínimo de 96, para no quemar un escaneo oscuro.

Después los niveles automáticos recortan el 0,5 % más oscuro y el 0,5 % más claro y estiran el resto a todo el rango. Si ambos extremos están a menos de 32 niveles, como en una página casi en blanco, no se estira nada; sin esa protección la textura del papel de una página vacía se amplificaría hasta volverse una mancha negra. Brillo y contraste se aplican sobre esa curva.

El blanco y negro usa el umbral de Sauvola

Un único umbral para toda la página falla en las dos direcciones: el texto del margen en sombra se empasta y el texto tenue de una zona clara desaparece. La herramienta calcula para cada píxel la media m y la desviación típica s de una ventana alrededor (un cuarto de pulgada: 51 píxeles a 200 DPI) y usa T = m × (1 + k × (s/128 − 1)), la fórmula que Sauvola y Pietikäinen publicaron en 2000 para binarizar documentos. El control de sensibilidad es k, 0,25 por defecto; al subirlo, los trazos tenues pasan a blanco.

En zonas planas, casi sin variación, la fórmula tiende a amplificar ruido, así que se tratan como papel salvo que sean claramente oscuras. El resultado es una imagen de 1 bit con compresión Flate sin pérdida, la más ligera de los tres modos. Si importan anotaciones a lápiz, fotos o sellos de color, usa grises o color; esos se guardan en JPEG con calidad 80 por defecto.

Enderezar gira sin tocar los píxeles

Cada página se renderiza a 1400 píxeles de lado largo y sus píxeles oscuros se proyectan en muchos ángulos; el que deja el histograma de filas más picudo es el que alinea las líneas (búsqueda por perfil de proyección). Se barre ±15° en pasos de 0,5° y luego se afina alrededor del mejor a 0,1° y 0,02°. Se ignora un marco del 1,5 % para que los bordes del escáner no manden.

La corrección se aplica anteponiendo una matriz de rotación al contenido. No se renderiza nada de nuevo, así que texto, dibujos vectoriales e imágenes originales conservan su calidad. Las anotaciones y los campos de formulario se guardan aparte y no giran con el contenido; el mensaje final indica en qué páginas ocurre. Activa «reducir para evitar recortes» si las esquinas giradas se salen de la página.

Motas y Bordes eligen qué borrar por tamaño y forma

Motas considera tinta todo lo que esté por debajo de 200 (sobre 255) y blanquea las manchas conectadas de tres píxeles o menos. Sube ese límite con cuidado: con valores mayores, los puntos, las comas y el punto de la i o de la ¿ empiezan a contar como ruido.

Bordes busca tres cosas por separado. Los bordes negros son regiones oscuras conectadas con el borde de la página, y solo se buscan a menos de 25 mm de él. Los agujeros son manchas redondas de 3 a 12 mm dentro de esa franja, juzgadas por lo cerca que está su proporción de relleno de la de un disco perfecto (π/4 ≈ 0,785). Las sombras del lomo se detectan comparando el brillo del percentil 90 de cada columna (o fila) con el nivel del papel, y solo se aclaran las bandas oscuras. Bordes y agujeros se pintan con el color del papel detectado, no con blanco puro.

Orientación prueba las cuatro direcciones con OCR

Tesseract tiene un modo de detección de orientación (OSD), pero necesita los datos del motor antiguo, que la versión solo LSTM de este sitio no incluye. En su lugar, la página se reconoce a 0°, 90°, 180° y 270°, y gana la dirección con la mayor suma de número de caracteres × confianza (contando palabras con un 55 % de confianza o más). Si la ganadora no supera en 1,5 veces a la segunda, la página se marca como dudosa. La corrección solo cambia el valor /Rotate, así que no hay pérdida. El idioma de detección es coreano+inglés o solo inglés; un texto en español suele funcionar con inglés, porque comparte casi todo el alfabeto.

Ejemplos

Cómo se usa

1. Añade el PDF y elige pestaña: Mejorar, Enderezar, Motas, Bordes u Orientación.
2. Ajusta sensibilidad o tamaños con la vista previa antes/después.
3. Indica rango de páginas y resolución, y ejecuta.
4. Si necesitas búsqueda, pasa el resultado por la herramienta de OCR.

Preguntas frecuentes

Guías relacionadas

• Cómo convertir un PDF escaneado en un documento con búsqueda: OCR y ajustes de escaneo