Differenze tra le versioni 3 e 4

Attenzione! Questa è una Pagina di prova. Le informazioni riportate potrebbero essere incomplete, errate e potenzialmente pericolose. Per contribuire alla realizzazione di questa pagina consultare la discussione di riferimento.

Indice

Introduzione
Uso da interfaccia grafica (OCRFeeder)
Uso dal terminale
Ulteriori risorse

Guida verificata con Ubuntu: 20.04

Problemi in questa pagina? Segnalali in questa discussione

Introduzione

Con l'acronimo OCR (Optical Character Recognition), si indica una tecnologia che consente di convertire le scansioni contenente testo, in testo semplice. Ciò permette di risparmiare spazio sul disco, modificare il testo o fare ricerche all'interno di esso.
Strumenti OCR di largo utilizzo per i sistemi Linux sono: OCRFeeder, Tesseract, CuneiForm.

Uso da interfaccia grafica (OCRFeeder)

Installare il pacchetto ocrfeeder.

Per avviare l'applicazione OCRFeeder:
Selezionare il file da convertire, dal menù File → Apri.
Avviare la conversione, dal menù File → Esporta

È possibile modificare le opzioni di conversioni con i menu a destra. In particolare è possibile scegliere un motore di conversione diverso da quello predefinito.

Uso dal terminale

Da interfaccia terminale:

Installare i pacchetti tesseract-ocr, ocrad, gocr.

Tesseract

Tesseract accetta solo immagini con l'estensione .tif.
L'immagine non deve avere estensione file .tiff.

Dopo essersi assicurati di avere installato GIMP.

Per ottimizzare le immagini per l'acquisizione con Tesseract, assicurarsi che l'immagine sia RGB o in Scala di grigi.
Procedere come segue:

Aprire GIMP e l'immagine.tif.
Selezionare RGB o Scala di grigi, dal menù Immagine → Modalità.
Scegliere un valore di soglia adeguato, selezionare dal menù Strumenti → Colore → Soglia.
Selezionare dal menù Immagine → Modalità → Indicizzata e dalle opzioni selezionare 1-bit e Nessun dithering.

Digitare nel terminale il seguente comando:

tesseract <percorso del file TIFF> <nome del file di output>

Sostituendo <percorso del file TIFF> con il percorso e il nome del file tiff da convertire.
Sostituendo <nome del file di output> con il percorso e il nome del file convertito. Tesseract darà automaticamente al file generato l'estensione .txt.

Usare Tesseract con PDF multipagine

Spesso, i documenti scansionati vengono salvati come immagini in documenti .pdf.
Usare ImageMagick.

Le singole pagine possono essere estratte come file .tiff per poi essere processate con Tesseract.

Installare il pacchetto imagemagick.

Di seguito viene mostrato l'utilizzo di uno script per automatizzare il processo:

Creare nella propria Home il file per lo script.

Aprire con un editor di testo il file tesseract_multipagine.sh e copiare al suo interno le seguenti stringhe:

#!/bin/bash
PAGINE=100 # set to the number of pages in the PDF
SORGENTE=book.pdf # set to the file name of the PDF
OUTPUT=book.txt # set to the final output file
RESOLUTION=600 # set to the resolution the scanner used (the higher, the better)

touch $OUTPUT
for i in `seq 1 $PAGINE`; do
    convert -monochrome -density $RESOLUTION $SORGENTE\[$i\] page$i.tif
    tesseract page$i.tif page$i
    cat $OUTPUT page$i.txt > temp.txt
    rm $OUTPUT
    rm page$i.tif
    rm page$i.txt
    mv temp.txt $OUTPUT
done

Prima dell'utilizzo impostare nel file tesseract_multipagine.sh le voci:
- PAGINE: inserire il numero di pagine desiderato.
- SORGENTE: indicare il nome del file da trasformare in .pdf.
- OUTPUT: indicare il nome del nuovo documento in .pdf.
- RESOLUTION: impostare la risoluzione desiderata.
Salvare quindi il file. Uscire dall'editor di testo.
Aggiungere i premessi di esecuzione, digitare nel terminale i comandi:
```
chmod +x tesseract_multipagine.sh
```
Per avviare lo script digitare:
```
./tesseract_multipagine.sh
```

Cuneiform

Installare il pacchetto cuneiform.

Viene qui mostrata una procedura tramite script per trasformare immagini contenenti testo (.jpg, meglio se .tif) in file di testo semplice .txt.

Creare nella propria Home il file per lo script.

Aprire con un editor di testo il file script_cuneiform.sh e copiare al suo interno le seguenti stringhe:

#!/bin/bash
if [ "$1" ] && [ -e "$1" ]; then
  TMPF=$(mktemp XXXXXXXX.tif)
  DEST="$2"
  if [ ! "$DEST" ]; then
    DEST="${1%.*}.txt"
    if [ -e "$DEST" ]; then
      echo "$DEST already exists; please provide a new textfile name" >&2
      exit 1
    fi
  fi
  /usr/bin/convert "$1" -colorspace Gray -depth 8 -resample 200x200 $TMPF \
  && /usr/bin/cuneiform -o "$DEST" $TMPF
  EX=$?
  /bin/rm -f $TMPF
  [ $EX -eq 0 ] && [ "$TERM" ] && echo "created $DEST"
  exit $EX
else
  echo "Usage: $0 imagefile [textfile]" >&2
  echo " creates a plain text file with the text found in imagefile" >&2
  exit 1
fi

Salvare quindi il file e chiuderlo.

Aggiungere i premessi di esecuzione, digitare nel terminale i comandi:
```
chmod +x script_cuneiform.sh
```

Avviare lo script

Per eseguire lo script digitare nel terminale il comando:
```
./script_cuneiform.sh /percorso_file/immagine.tif
```
Al termine verrà creato nella medesima cartella il file immagine.txt.

Sostituire /percorso_file/immagine.tif, con il percorso_file dell'immagine da convertire in file di testo.

Ulteriori risorse

CategoryHomepage CategoryNuoviDocumenti

-  ⇤ ← Versione 3 del 12/03/2022 11.45.51 → 
  Dimensione: 7093
  Autore: ivantu
  Commento: +ocropus, +ocrodjvu
+   ← Versione 4 del 12/03/2022 18.50.00 → ⇥
  Dimensione: 6924
  Autore: ivantu
  Commento: terza stesura
-Le cancellazioni sono segnalate in questo modo.
+Le aggiunte sono segnalate in questo modo.
 Linea 13:
-= Installare i motori OCR =

[[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti:
 * Da interfaccia grafica: [[apt:/ocrfeeder|ocrfeeder]].
 * Da interfaccia [[AmministrazioneSistema/Terminale|terminale]]: [[apt:/tesseract-ocr | tesseract-ocr]], [[apt:/ocrad | ocrad]], [[apt:gocr | gocr]], [[apt:ocropus | ocropus]], [[apt:ocrodjvu | ocrodjvu]].
-Linea 21:
+Linea 15:
+[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/ocrfeeder|ocrfeeder]].
-Linea 22:
+Linea 18:
-. Con il '''+''' in alto a sinistra selezionare il file da convertire.
 0. Con il simbolo immediatamente a destra avviare la conversione.
+. Selezionare il file da convertire, dal menù '''File → Apri'''.
 0. Avviare la conversione, dal menù '''File → Esporta'''
-Linea 29:
+Linea 25:
+Da interfaccia [[AmministrazioneSistema/Terminale|terminale]]:

 * [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt:/tesseract-ocr|tesseract-ocr]], [[apt:/ocrad|ocrad]], [[apt:gocr|gocr]].
-Linea 35:
+Linea 36:
-Per ottimizzare le immagini per l'acquisizione con '''Tesseract''', dopo essersi assicurati di avere installato '''[[Grafica/Gimp|GIMP]]''', procedere come segue:
 0. Aprire '''GIMP''' e andare nel menù '''''Immagine → Modalità''''' ed assicurarsi che l'immagine sia '''RGB''' o in '''Scala di grigi'''.
 0. Selezionare dal menù '''''Strumenti → Colore → Soglia''''' e scegliere un valore di soglia adeguato.
+{{{#!wiki note
Dopo essersi assicurati di avere installato '''[[Grafica/Gimp|GIMP]]'''.
}}}

Per ottimizzare le immagini per l'acquisizione con '''Tesseract''', assicurarsi che l'immagine sia '''RGB''' o in '''Scala di grigi'''.<<BR>>Procedere come segue:

 0. [[AmbienteGrafico/AvviareProgrammi|Aprire]] '''GIMP''' e l'immagine.tif.
 0. Selezionare '''RGB''' o '''Scala di grigi''', dal menù '''''Immagine → Modalità'''''.
 0. Scegliere un valore di soglia adeguato, selezionare dal menù '''''Strumenti → Colore → Soglia'''''.
-Linea 41:
+Linea 48:
-}}} Supponendo che la propria '''Home''' si chiami `/home/mario`, che al suo interno vi sia il file `input.tif` e che si voglia generare il file di testo `output.txt`, il comando diverrà: {{{
tesseract /home/mario/input.tif output
}}}  '''Tesseract''' darà automaticamente al file generato l'estensione `.txt`.
+}}}

{{{#!wiki note
Sostituendo `<percorso del file TIFF>`  con il percorso e il nome del file tiff da convertire.<<BR>>Sostituendo `<nome del file di output>`  con il percorso e il nome del file convertito. '''Tesseract''' darà automaticamente al file generato l'estensione `.txt`.
}}}
-Linea 47:
+Linea 56:
-Spesso, i documenti scansionati vengono salvati come immagini in documenti `.pdf`.
Usare '''!ImageMagick''' ([[AmministrazioneSistema/InstallareProgrammi|installare]] tramite il pacchetto [[apt://imagemagick | imagemagick]]), le singole pagine possono essere estratte come file `.tiff` per poi essere processate con '''Tesseract'''.<<BR>>Di seguito viene mostrato l'utilizzo di uno [[Programmazione/Script|script]] per automatizzare il processo:
+Spesso, i documenti scansionati vengono salvati come immagini in documenti `.pdf`.<<BR>>Usare '''!ImageMagick'''.

{{{#!wiki note
Le singole pagine possono essere estratte come file `.tiff` per poi essere processate con '''Tesseract'''.
}}}

 * [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://imagemagick|imagemagick]].

Di seguito viene mostrato l'utilizzo di uno [[Programmazione/Script|script]] per automatizzare il processo:
-Linea 128:
+Linea 144:
-== Ocropus ==

[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://ocropus|ocropus]].

== Ocrodjvu ==

[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://ocrodjvu|ocrodjvu]].