Распознавание текста

[Andyun]

Мне понадобилось распознать русский текст книги в Linux. Для этого хорошо подошла связка Cuneiform с графическим интерфейсом Yagf, созданным русским программистом Андреем Боровским (благодарности Андрею!). Yagf может получать изображения со сканера через программу Xsane, интерфейс основан на Qt.

Cuneiform и Yagf собраны при помощи скриптов SlackBuilds.org.

[Alex]

Пробовал отсканировать украинский текст через OpenOCR (та же cuneiform) - результат был, мягко говоря, не очень. Вернее его вообще почти не было. Хотя, может быть, если попариться с настройками, что-то бы и получилось, но т.к. мне это нужно было срочно, пришлось просить знакомого сканировать через FineReader.

[posixru]

Мне понадобилось распознать русский текст книги в Linux.

Есть ещё: OCRFeeder – Python / GTK+ интерфейс к нескольким консольным OCR приложениям. Он автоматически определяет наличие инсталлированных в системе OCR приложений, а именно CuneiForm, GOCR, Ocrad, Tesseract и использует их в качестве "движка". Можно выбрать какой из движков лучше распознает тот или иной текст, позволяет очистить исходное изображение, а для распознания структуры документа применяется собственный алгоритм. Есть пакет на pkgs.org

[Andyun]

OCRFeeder
Благодарю за подсказку!
Установив по указанной ссылке пакеты

• ocrfeeder-0.7.6-i686-1sl.txz
• unpaper-0.3-i486-3sl.txz
• pyenchant-1.6.5-i686-1sl.txz
• pygtkspell-2.25.3-i486-5sl.txz
• reportlab-2.5-i686-1sl.txz

а также из GSlapt:

• libgnome (для ocrfeeder-0.7.8 не нужно)
• pil
• linuxdoc-tools (не нужен для запуска, но необходим, если собирать пакет OCRfeeder самостоятельно)

удалось запустить программу, только вместо руссских букв в распознаваемом тексте отображались латинские. Чтобы это исправить, в настройках OCRfeeder: строка меню "Tools" --> "OCR Engines" --> кнопка "Изменить" --> в строке "Engine arguments:" --> нужно добавить "-l rus" в начале строки. В итоге вся строка выглядит так:

Code: Select all

-l rus -f text -o $FILE $IMAGE > /dev/null 2> /dev/null && cat $FILE && rm $FILE

Если на странице встречается алфавит русского и английского языков, то используйте параметр "-l ruseng", то есть

Code: Select all

-l ruseng -f text -o $FILE $IMAGE > /dev/null 2> /dev/null && cat $FILE && rm $FILE

В качестве системы распознавания используется Cuneiform. Чтобы увидеть буквенные обозначения поддерживаемых языков, наберите в терминале

Code: Select all

cuneiform -l

Для использования OCRfeeder с системой распознавания Tesseract (русский язык поддерживается с третей версии), строка "Engine arguments:" должна выглядить так:

Code: Select all

-l rus $IMAGE $FILE > /dev/null 2> /dev/null; cat $FILE.txt; rm $FILE $FILE.txt

---------------
Домашняя страница OCRfeeder: http://live.gnome.org/OCRFeeder.

[Andyun]

Установка Tesseract
Пакеты:

• Leptonica 1.68
• Tesseract 3.01 (этот пакет содержит все языки распознавания)

В качестве графического интерфейса для Tesseract также хорошо подходит программа gImageReader (основана на GTK+, Python). Вот зависимости для неё:

• PyPoppler
• PyEnchant
• PyGtkSpell-2.25.3-i486-5sl.txz
• PIL

Попробовать gImageReader можно даже не устанавливая в систему - достаточно распаковать архив с исходным кодом и запустить файл "gimagereader-0.9/bin/gimagereader".
Вот SLKBUILD для сборки пакета gImageReader:

Code: Select all

pkgname=gimagereader
pkgver=0.9
pkgrel=111
source=("http://downloads.sourceforge.net/gimagereader/gimagereader-0.9.tar.gz")
docs=("readme" "install" "copying" "changelog" "authors" "news" "todo")
url=http://sourceforge.net/projects/gimagereader/


slackdesc=\
(
#|-----handy-ruler------------------------------------------------------|
"gimagereader (GUI for Tesseract-ocr)"
"gImageReader is a simple PyGtk front-end to tesseract-ocr"
""
"Homepage: http://sourceforge.net/projects/gimagereader/"
)


build() {
   cd $startdir/src/$pkgname-$pkgver
   ./setup.py install --prefix=/usr --root=$startdir/pkg

   sed -i "s/^Categories=.*/Categories=Application;Office;/" $startdir/pkg/usr/share/applications/gimagereader.desktop
}


Есть ещё один симпатичный мне графический интерфейс для Tesseract - OcrGui, но у него есть один большой недостаток - отсутствие выделения блоков с текстом - распознаётся только всё изображение целиком, а это снижает качество распознавания.
Зависимости для OcrGui:

• imagemagick

[posixru]

Попробовать gImageReader можно даже не устанавливая в систему - достаточно

Я ещё с прошлого года её пользую, хоть не часто, но иногда нужна... В картинках можно посмотреть её ТУТ (цикл тем по OCR софинам попутно сделал).
Сравнивал распознавание с abbyy-finereader"овым, результат на одном изображении аналогичный.
Есть ещё такая штучка: Owlboxer - небольшая Qt графическая утилита дающая возможность быстрого редактирования обучающих файлов Tesseract (tesseract box files).

[Andyun]

Сравнивал распознавание с abbyy-finereader"овым, результат на одном изображении аналогичный.

Это так, если изображение хорошего качества (разрешения, контраста и др.), а если оно недостаточно качественное, то FineReader v.10 заметно выигрывает, особенно это относится к распознаванию всей страницы целиком (без ручного выделения блоками). Пример для тестирования здесь.
Вообще, секрет лучшего распознавания FineReader'ом заключается в автоматической предварительной обработке изображений и автовыделении блоками (пример: размер исходных 92-х jpg-файлов составляет 76 Мбайт, размер же сохранённого проекта с этими файлами у FineReader'а составлял более 2 Гбайт). Если самостоятельно увеличить разрешение у страниц невысокого качества и улучшить контрастность, а также вручную выделять текст блоками, то Tesseract и CuneiForm действительно не будут уступать коммерческим аналогам.

[posixru]

а если оно недостаточно качественное, то FineReader v.10 заметно выигрывает.

Да мне без разницы, мне спешить некуда, я изо могу пропереобработать, а уж потом сувать в распознавалку... Обычно в gThumb"е, но можно в GIMP"е или Phatch"е если много и потом уже... Примерно вот так (если в два клика):

[Andyun]

Перед распознаванием, или даже вместо него, изображения можно обработать и создать качественную электронную копию документа (книги) в формате PDF. Подробности в отдельной теме.