Dimensione: 4091
Commento: nuova wiki
|
Dimensione: 8783
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>> <<Informazioni(forum="http://forum.ubuntu-it.org/index.php/topic,475794.0.html"; rilasci="11.04 10.10 10.04")>> |
Linea 3: | Linea 8: |
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 10: |
== 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 12: |
=== 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> |
= OCRFeeder = A differenza di '''Tesseract''' e '''!CuneiForm''', '''OCRFeeder''' dispone di una interfaccia grafica che è strumento indispensabile per un utente alle prime armi con un sistema Linux. == Installazione == [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetti [[apt://ocrfeeder | ocrfeeder]]. == Utilizzo == E' stato detto che '''OCRFeeder''' è dotato di interfaccia grafica ed è quindi di semplice utilizzo, ma può essere utilizzato anche da riga di comando digitando in un terminale: {{{ ocrfeeder-cli -i input1.jpg input2.jpg -f html -o output.htm}}} I file di input `input1.jpg` e `input2.jpg` verranno processati e si otterrà il file di output `output.htm`. = Tesseract = == Installazione == [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt://tesseract-ocr | tesseract-ocr]], [[apt://ocrad | ocrad]] e [[apt://gocr | gocr]]. == 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 39: |
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 45: |
=== 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 47: |
=== 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 52: |
{{{#!/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 [[apt://imagemagick | imagemagick]]), 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 65: |
convert -monochrome -density $RESOLUTION $SOURCE\[$i\] page$i.tif | convert -monochrome -density $RESOLUTION $SORGENTE\[$i\] page$i.tif |
Linea 48: | Linea 72: |
done}}} | done }}} |
Linea 52: | Linea 77: |
= Cuneiform = == Installazione == [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://cuneiform | cuneiform]]. == Da jpeg a txt == Il seguente è un esempio aneddotico. Ha avuto successo nella traduzione di alcune schermate jpeg di una area messaggi internet in un testo utile/file semplice con lo script: {{{ #!/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 }}} == File pdf multipagina == '''Pdfocr''' è uno script che utilizza '''Cuneiform''' che esegue l'OCR su un file `.pdf` multipagina, ed incorpora anche il testo all'interno di un file `.pdf` come un livello di testo ricercabile. Lo stesso script può essere ottenuto da [[http://github.com/gkovacs/pdfocr/raw/master/pdfocr.rb|Github]] o dal [[http://launchpad.net/~gezakovacs/+archive/pdfocr|PPA]]. Per utilizzarlo, digitare in un terminale: {{{ pdfocr -i input.pdf -o output.pdf }}} Sostituendo `input.pdf` con il nome del file di input ed `output.pdf` con il nome del file di output. = Easy-OCR = == Caratteristiche == * Le impostazioni vengono salvate fino alla successiva modifica. * Il nome del file e la posizione è richiesto dal programma agli inizi del processo di scansione, se non viene specificata una posizione il file verrà salvato automaticamente nella cartella Documenti. * Auto rotazione. Elimina le preoccupazioni su come tenere il libro sullo scanner. Il programma può impostare la rotazione corretta. * Due motori di scansione. Ci sono due motori, uno ottimizzato per la fotografia e la velocità di salto e l'altro per tracciare l'analisi. * Scansione ripetuta. Ora c'è la possibilità di fare la scansione ripetuta ed è possibile impostare il ritardo tra la scansione. * Numero di pagina. Il programma assegnerà automaticamente il numero di pagina e si può andare alla pagina utilizzando la funzione Trova. == Installazione == Scaricare il pacchetto `.deb` dalla [[http://code.google.com/p/easy-ocr/|pagina del progetto]] ed [[AmministrazioneSistema/InstallarePacchettiDebian|installarlo]]. Se si utilizza '''Ubuntu 11.04''', scaricare il pacchetto scribes da [[http://packages.ubuntu.com/maverick/all/scribes/download|qui]]. == Utilizzo == 0. Dopo l'installazione, avviare '''Easy-OCR''', andare al menu grafico e selezionare le impostazioni (o premere la combinazione di tasti Alt + Ctrl + Shift + S) per regolare le impostazioni dello scanner. Il programma indicherà se ha rilevato lo scanner, regolare ora il ritardo tra la ripetizione di scansione, risoluzione, angolo in cui si ha l'oggetto da sottoporre a scansione, la luminosità ed il linguaggio. Dopo la selezione il programma indicherà le impostazioni selezionate. 0. Per quanto riguarda la rotazione automatica, è possibile selezionare le impostazioni manuali o la modalità automatica. In modalità automatica si deve digitare una possibile parola nella pagina selezionata (esempio: la, è, a) e poi premere Invio. Il programma selezionerà automaticamente la corretta rotazione. 0. Ora è possibile avviare la scansione. Ci sono due motori, selezionare facile-ocr-SCAN1 o 2 nel menu grafico (oppure premete Alt + Ctrl + Maiusc +1) per avviare la scansione con il primo motore che è migliore per salto d'immagine e velocità. Premete Alt + Ctrl + shift +2 per il secondo motore che è migliore per l'analisi del layout. 0. Tasto di lettura. Dopo la prima scansione e riconoscimento, il programma annuncerà 1, premere il pulsante Aggiungi nella tastierino numerico per iniziare a leggere. 0. Alt + Ctrl + Shift + C si fermerà o annullare la scansione in qualsiasi momento. 0. Si può andare in qualsiasi pagina premendo Ctrl + F e digitando il seguente numero di pagina. Le pagine vuote verranno ignorate dal programma. |
|
Linea 53: | Linea 152: |
* [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]] |
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 e Easy-OCR-2.5.
OCRFeeder
A differenza di Tesseract e CuneiForm, OCRFeeder dispone di una interfaccia grafica che è strumento indispensabile per un utente alle prime armi con un sistema Linux.
Installazione
Installare il pacchetti ocrfeeder.
Utilizzo
E' stato detto che OCRFeeder è dotato di interfaccia grafica ed è quindi di semplice utilizzo, ma può essere utilizzato anche da riga di comando digitando in un terminale:
ocrfeeder-cli -i input1.jpg input2.jpg -f html -o output.htm
I file di input input1.jpg e input2.jpg verranno processati e si otterrà il file di output output.htm.
Tesseract
Installazione
Installare i pacchetti tesseract-ocr, ocrad e gocr.
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), 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.
Cuneiform
Installazione
Installare il pacchetto cuneiform.
Da jpeg a txt
Il seguente è un esempio aneddotico. Ha avuto successo nella traduzione di alcune schermate jpeg di una area messaggi internet in un testo utile/file semplice con lo script:
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
File pdf multipagina
Pdfocr è uno script che utilizza Cuneiform che esegue l'OCR su un file .pdf multipagina, ed incorpora anche il testo all'interno di un file .pdf come un livello di testo ricercabile. Lo stesso script può essere ottenuto da Github o dal PPA. Per utilizzarlo, digitare in un terminale:
pdfocr -i input.pdf -o output.pdf
Sostituendo input.pdf con il nome del file di input ed output.pdf con il nome del file di output.
Easy-OCR
Caratteristiche
- Le impostazioni vengono salvate fino alla successiva modifica.
- Il nome del file e la posizione è richiesto dal programma agli inizi del processo di scansione, se non viene specificata una posizione il file verrà salvato automaticamente nella cartella Documenti.
- Auto rotazione. Elimina le preoccupazioni su come tenere il libro sullo scanner. Il programma può impostare la rotazione corretta.
- Due motori di scansione. Ci sono due motori, uno ottimizzato per la fotografia e la velocità di salto e l'altro per tracciare l'analisi.
- Scansione ripetuta. Ora c'è la possibilità di fare la scansione ripetuta ed è possibile impostare il ritardo tra la scansione.
- Numero di pagina. Il programma assegnerà automaticamente il numero di pagina e si può andare alla pagina utilizzando la funzione Trova.
Installazione
Scaricare il pacchetto .deb dalla pagina del progetto ed installarlo.
Se si utilizza Ubuntu 11.04, scaricare il pacchetto scribes da qui.
Utilizzo
Dopo l'installazione, avviare Easy-OCR, andare al menu grafico e selezionare le impostazioni (o premere la combinazione di tasti Alt + Ctrl + Shift + S) per regolare le impostazioni dello scanner. Il programma indicherà se ha rilevato lo scanner, regolare ora il ritardo tra la ripetizione di scansione, risoluzione, angolo in cui si ha l'oggetto da sottoporre a scansione, la luminosità ed il linguaggio. Dopo la selezione il programma indicherà le impostazioni selezionate.
- Per quanto riguarda la rotazione automatica, è possibile selezionare le impostazioni manuali o la modalità automatica. In modalità automatica si deve digitare una possibile parola nella pagina selezionata (esempio: la, è, a) e poi premere Invio. Il programma selezionerà automaticamente la corretta rotazione.
- Ora è possibile avviare la scansione. Ci sono due motori, selezionare facile-ocr-SCAN1 o 2 nel menu grafico (oppure premete Alt + Ctrl + Maiusc +1) per avviare la scansione con il primo motore che è migliore per salto d'immagine e velocità. Premete Alt + Ctrl + shift +2 per il secondo motore che è migliore per l'analisi del layout.
- Tasto di lettura. Dopo la prima scansione e riconoscimento, il programma annuncerà 1, premere il pulsante Aggiungi nella tastierino numerico per iniziare a leggere.
- Alt + Ctrl + Shift + C si fermerà o annullare la scansione in qualsiasi momento.
- Si può andare in qualsiasi pagina premendo Ctrl + F e digitando il seguente numero di pagina. Le pagine vuote verranno ignorate dal programma.