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.

Installare i motori OCR

Installare i pacchetti ocrfeeder, tesseract-ocr, ocrad, gocr

Uso da interfaccia grafica

• Per avviare l'applicazione:

  • Unity e GNOME: avviare OCRFeeder.

  • MATE: selezionare Applicazioni → Ufficio → OCRFeeder.

  • KDE: selezionare Menu → Applicazioni → Ufficio → OCRFeeder.

  • XFCE: selezionare Menu → Ufficio → OCRFeeder.

  • LXDE: selezionare Menu → AUfficio → OCRFeeder.

• Con il + in alto a sinistra selezionare il file da convertire.

• Con il simbolo immediatamente a destra avviare la conversione.

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

Uso da riga di comando

Tesseract

Tesseract accetta solo immagini con l'estensione .tif. 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.

È importante che l'immagine abbia l'estensione .tif e non .tiff.

Digitare nel terminale i seguenti comandi::

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

Tesseract darà automaticamente al file generato l'estensione .txt.

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.

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

Installare il pacchetto cuneiform.

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 

Dopo aver reso avviabile lo script salvato nella propria Home come, ad esempio, script.sh, digitare in un terminale i seguenti comandi:

script.sh nomefile

dove al posto di `nomefile' si deve inserire il nome del file da convertire.

Ulteriori risorse

• Sito ufficiale di Tesseract

• Sito ufficiale di GNU Ocrad

• Sito ufficiale di GOCR

• Documento originale

CategoryGrafica