Introduzione

Con l'acronimo OCR (Optical Character Recognition), si indica una suite di riconoscimento ottico dei caratteri, che consente di convertire le scansioni documenti o immagini contenente testo, in testo semplice. Ciò permette di risparmiare spazio sul disco, modificare il testo o fare ricerche all'interno di esso.

Strumenti OCR, per i sistemi Linux sono: OCRFeeder, gImageReader, YAGF, Tesseract e CuneiForm.

Motori OCR

Occorre configurare i motori OCR (Optical Character Recognition), uno dei principali, molto utilizzato è senz'altro Tesseract.

• Installare il pacchetto tesseract-ocr.

Ocrad

• Installare il pacchetto ocrad.

Gocr

• Installare il pacchetto gocr.

Uso dal terminale

Tesseract

Lingua di conversione

Per quanto riguarda il funzionamento alla conversione è necessario installare i pacchetti delle lingue di traduzione. Per esempio, per convertire testi in Italiano, installare il pacchetto tesseract-ocr-ita.

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

1. Aprire GIMP e l'immagine.tif.

2. Selezionare RGB o Scala di grigi, dal menù Immagine → Modalità.

3. Scegliere un valore di soglia adeguato, selezionare dal menù Strumenti → Colore → Soglia.

4. Selezionare dal menù Immagine → Modalità → Indicizzata e dalle opzioni selezionare 1-bit e Nessun dithering.

5. Digitare nel terminale il seguente comando:

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

Usare Tesseract con PDF multipagine

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

• Installare il pacchetto imagemagick.

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

1. Creare nella propria Home il file per lo script.

2. 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

3. 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.

4. Aggiungere i premessi di esecuzione, digitare nel terminale i comandi:

   chmod +x tesseract_multipagine.sh

5. Per avviare lo script digitare:

   ./tesseract_multipagine.sh

Cuneiform

Cuneiform, oltre al riconoscimento del testo, esegue anche l'analisi del layout e riconoscimento del formato del testo. Supporta diverse lingue.

Installare i pacchetti cuneiform e convert.

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

1. Creare e aprire con un editor di testo nella propria Home il file script script_cuneiform.sh.

2. 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.

3. Aggiungere i premessi di esecuzione, digitare nel terminale i comandi:

   chmod +x script_cuneiform.sh

Avviare lo script

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.

Uso da interfaccia grafica

OCRFeeder

OCRFeeder è fornito di una pratica interfaccia grafica ai motori OCR. Riproduce pagine di un documento cartaceo in digitale.

Installare il pacchetto ocrfeeder.

• Avviare l'applicazione OCRFeeder.

Importazione file

1. Selezionare il file da convertire, dal menù File → Apri.

2. Avviare la conversione, dal menù File → Esporta

gImageReader

Installare il pacchetto gimagereader.

1. Avviare l'applicazione gImageReader.

2. Selezionare il file da convertire.
3. Avviare la conversione.

YAGF

Installare il pacchetto yagf.

1. Avviare l'applicazione YAGF.

Ulteriori risorse

• Sito ufficiale di Tesseract

• Sito ufficiale di GNU Ocrad

• Sito ufficiale di GOCR

• Documento originale

• Sito ufficiale di Ocropus

CategoryHomepage CategoryNuoviDocumenti