Dimensione: 4091
Commento: nuova wiki
|
Dimensione: 3719
Commento:
|
Le cancellazioni sono segnalate in questo modo. | Le aggiunte sono segnalate in questo modo. |
Linea 1: | Linea 1: |
Con l'acronimo OCR (inglese, ''Optical Character Recognition'') si indica una tecnologia che consente di convertire le scansioni contenente testo in testo semplice. Ciò permette di risparmiare spazio su disco, modificare il testo o fare ricerche all'interno di esso. | ## page was renamed from Grafica/OCR #format wiki #language it <<BR>> <<Indice>> |
Linea 3: | Linea 7: |
Il [:Repository/Componenti:componente] '''universe''' di Ubuntu contiene i seguenti software OCR, pronti per l'[:AmministrazioneSistema/InstallareProgrammi:installazione]: * tesseract-ocr * ocrad * gocr |
= Introduzione = |
Linea 8: | Linea 9: |
== Tesseract == === Introduzione === Il software che, in rapporto agli altri, produce i migliori risultati è Tesseract. È una tecnologia inizialmente sviluppata dai laboratori HP tra il 1985 e il 1995, che è stata rilasciata come Open Source nel 2005. Tesseract può riconoscere testi in 7 differenti linguaggi: inglese, tedesco, francese, italiano, spagnolo, portoghese brasiliano e olandese. È possibile, se necessario, installare più di un dizionario ed utilizzarli contemporaneamente. Il software non supporta l'analisi dei layout, quindi non si possono elaborare in automatico scansioni di testi multicolonna, immagini, equazioni, ecc. Inoltre, supporta come unico formato di input le immagini TIFF. |
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''' e '''Easy-OCR-2.5'''. |
Linea 14: | Linea 11: |
=== Utilizzo === Tesseract è attualmente uno strumento utilizzabile solamente da riga di comando (è in lavorazione un'integrazione con l'interfaccia grafica di OCROpus). Dopo averlo installato, il programma può essere usato con il comando {{{tesseract <percorso del file TIFF> <nome del file di output> |
= Tesseract = == Installazione == [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt://tesseract-ocr | tesseract-ocr]], [[apt://ocrad | ocrad]] e [[apt://gocr | gocr]] presenti nel [[Repository/Componenti|componente]] '''universe''' dei [[Repository|repository]] ufficiali. == Utilizzo == '''Tesseract''' è attualmente uno strumento utilizzabile da riga di comando. Dopo averlo installato, il programma può essere usato digitando in una finestra di terminale il seguente comando: {{{ tesseract <percorso del file TIFF> <nome del file di output> |
Linea 18: | Linea 22: |
Tesseract darà automaticamente al file prodotto l'estensione `.txt`. È importante che l'immagine TIFF abbia estensione `.tif` e non `.tiff`. Il comando, quindi, dovrebbe apparire come segue: {{{tesseract /home/utente/input.tif output |
'''Tesseract''' darà automaticamente al file generato l'estensione `.txt`. È importante che l'immagine abbia l'estensione `.tif` e non `.tiff`. Il comando, quindi, dovrebbe apparire come segue: {{{ tesseract /home/utente/input.tif output |
Linea 24: | Linea 28: |
=== Preparare le immagini === Tesseract accetta solo immagini TIFF. Per ottimizzare le immagini per l'acquisizione con Tesseract, dopo essersi assicurati di avere installato '''[:Grafica/Gimp:GIMP]''', procedere come segue: * aprire '''GIMP''' e andare nel menù '''''Immagine -> Modalità''''' ed assicurarsi che l'immagine sia '''RGB''' o in '''Scala di grigi'''. * Selezionare dal menù '''''Strumenti -> Colore -> Soglia''''' e scegliere un valore di soglia adeguato. * Selezionare dal menù '''''Immagine -> Modalità -> Indicizzata''''' e dalle opzioni selezionare '''1-bit''' e '''Nessun dithering'''. |
== Preparare le immagini == |
Linea 30: | Linea 30: |
=== Usare Tesseract con PDF multipagine === Spesso, i documenti scansionati vengono salvati come immagini in documenti PDF. Usando '''!ImageMagick''' ([:AmministrazioneSistema/InstallareProgrammi:installabile] tramite il pacchetto '''''imagemagick''''' reperibile dal componente [:Repository/Componenti:componente] '''universe'''), le singole pagine possono essere estratte come file TIFF per poi essere processate con Tesseract. Il seguente script può aiutare ad automatizzare il processo. |
'''Tesseract''' accetta solo immagini con l'estensione `.tiff`. Per ottimizzare le immagini per l'acquisizione con Tesseract, dopo essersi assicurati di avere installato '''[[Grafica/Gimp|GIMP]]''', procedere come segue: * aprire '''GIMP''' e andare nel menù '''''Immagine → Modalità''''' ed assicurarsi che l'immagine sia '''RGB''' o in '''Scala di grigi'''. * Selezionare dal menù '''''Strumenti → Colore → Soglia''''' e scegliere un valore di soglia adeguato. * Selezionare dal menù '''''Immagine → Modalità → Indicizzata''''' e dalle opzioni selezionare '''1-bit''' e '''Nessun dithering'''. |
Linea 33: | Linea 35: |
{{{#!/bin/sh | == Usare Tesseract con PDF multipagine == Spesso, i documenti scansionati vengono salvati come immagini in documenti PDF. Usando '''!ImageMagick''' ([[AmministrazioneSistema/InstallareProgrammi|installabile]] tramite il pacchetto '''''imagemagick''''' reperibile dal componente [[Repository/Componenti|componente]] '''universe'''), le singole pagine possono essere estratte come file TIFF per poi essere processate con Tesseract. Il seguente script può aiutare ad automatizzare il processo. {{{ #!/bin/sh |
Linea 41: | Linea 48: |
convert -monochrome -density $RESOLUTION $SOURCE\[$i\] page$i.tif | convert -monochrome -density $RESOLUTION $SORGENTE\[$i\] page$i.tif |
Linea 48: | Linea 55: |
done}}} | done }}} |
Linea 53: | Linea 61: |
* [http://code.google.com/p/tesseract-ocr/ Sito ufficiale di Tesseract] * [http://www.gnu.org/software/ocrad/ocrad.html Sito ufficiale di GNU Ocrad] * [http://jocr.sourceforge.net/ Sito ufficiale di GOCR] * [https://help.ubuntu.com/community/OCR/ Documento originale] |
* [[http://code.google.com/p/tesseract-ocr/|Sito ufficiale di Tesseract]] * [[http://www.gnu.org/software/ocrad/ocrad.html|Sito ufficiale di GNU Ocrad]] * [[http://jocr.sourceforge.net/|Sito ufficiale di GOCR]] * [[https://help.ubuntu.com/community/OCR/|Documento originale]] |
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 e Easy-OCR-2.5.
Tesseract
Installazione
Installare i pacchetti tesseract-ocr, ocrad e gocr presenti nel componente universe dei repository ufficiali.
Utilizzo
Tesseract è attualmente uno strumento utilizzabile da riga di comando. Dopo averlo installato, il programma può essere usato digitando in una finestra di terminale il seguente comando:
tesseract <percorso del file TIFF> <nome del file di output>
Tesseract darà automaticamente al file generato l'estensione .txt. È importante che l'immagine abbia l'estensione .tif e non .tiff. Il comando, quindi, dovrebbe apparire come segue:
tesseract /home/utente/input.tif output
Dove utente è il nome della cartella Home dell'account in uso, input.tif è il documento che deve essere convertito e output è il documento che Tesseract creerà come output.txt. L'estensione .txt sarà aggiunta automaticamente da Tesseract.
Preparare le immagini
Tesseract accetta solo immagini con l'estensione .tiff. Per ottimizzare le immagini per l'acquisizione con Tesseract, dopo essersi assicurati di avere installato GIMP, procedere come segue:
aprire GIMP e andare nel menù Immagine → Modalità ed assicurarsi che l'immagine sia RGB o in Scala di grigi.
Selezionare dal menù Strumenti → Colore → Soglia e scegliere un valore di soglia adeguato.
Selezionare dal menù Immagine → Modalità → Indicizzata e dalle opzioni selezionare 1-bit e Nessun dithering.
Usare Tesseract con PDF multipagine
Spesso, i documenti scansionati vengono salvati come immagini in documenti PDF. Usando ImageMagick (installabile tramite il pacchetto imagemagick reperibile dal componente componente universe), le singole pagine possono essere estratte come file TIFF per poi essere processate con Tesseract. Il seguente script può aiutare ad automatizzare il processo.
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
Dopo aver avviato lo script, il testo trasformato dall'OCR dovrebbe essere contenuto nel file libro.txt.