Dimensione: 6080
Commento:
|
Dimensione: 7188
Commento: Revisione
|
Le cancellazioni sono segnalate in questo modo. | Le aggiunte sono segnalate in questo modo. |
Linea 6: | Linea 6: |
<<Informazioni(forum="http://forum.ubuntu-it.org/index.php/topic,475794.0.html"; rilasci="11.04 10.10 10.04")>> | <<Informazioni(forum="http://forum.ubuntu-it.org/viewtopic.php?t=475794"; rilasci="16.04")>> |
Linea 8: | Linea 8: |
= 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'''. |
Linea 10: | Linea 10: |
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'''. | ||<tablestyle="text-align: justify; width:60%;" style="border:none;" 5%><<Immagine(Icone/Piccole/warning.png,,center)>> ||<style="padding:0.5em; border:none;">'''Tutti i pacchetti a cui si fa riferimento nella presente guida sono disponibili soltanto per l'architettura a 64 bit.''' || |
Linea 12: | Linea 12: |
= OCRFeeder = | = Installare i motori OCR = |
Linea 14: | Linea 14: |
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. | [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt:/ocrfeeder | ocrfeeder]], [[apt:/tesseract-ocr | tesseract-ocr]], [[apt:/ocrad | ocrad]], [[apt:gocr | gocr]] |
Linea 16: | Linea 16: |
== Installazione == | = Uso da interfaccia grafica = |
Linea 18: | Linea 18: |
[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetti [[apt://ocrfeeder | ocrfeeder]] | 0. Per [[AmbienteGrafico/AvviareProgrammi | 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'''''. 0. Con il '''+''' in alto a sinistra selezionare il file da convertire. 0. Con il simbolo immediatamente a destra avviare la conversione. |
Linea 20: | Linea 27: |
== Utilizzo == | ||<tablestyle="text-align: justify; width:100%;" style="border:none;" 5%><<Immagine(Icone/Grandi/info.png,,center)>> ||<style="padding:0.5em; border:none;">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.|| |
Linea 22: | Linea 29: |
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}}} |
= Uso da riga di comando = |
Linea 25: | Linea 31: |
I file di input `input1.jpg` e `input2.jpg` verranno processati e si otterrà il file di output `output.htm`. | == Tesseract == |
Linea 27: | Linea 33: |
= 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''' accetta solo immagini con l'estensione `.tif`. 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. 0. Selezionare dal menù '''''Immagine → Modalità → Indicizzata''''' e dalle opzioni selezionare '''1-bit''' e '''Nessun dithering'''. ||<tablestyle="text-align: justify; width:100%;" style="border:none;" 5%><<Immagine(Icone/Piccole/note.png,,center)>> ||<style="padding:0.5em; border:none;">''È importante che l'immagine abbia l'estensione `.tif` e non `.tiff`.'' || 0. Dovrà essere digitato nel [[AmministrazioneSistema/RigaDiComando|terminale]] un comando nella forma: {{{ |
Linea 37: | Linea 40: |
}}} '''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 '''[[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'''. |
}}}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`. |
Linea 53: | Linea 46: |
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. | 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'''.<<BR>> Di seguito viene mostrato l'utilizzo di uno [[Programmazione/Script|script]] per automatizzare il processo: |
Linea 55: | Linea 49: |
{{{ #!/bin/sh |
0. Creare nella propria '''Home''' il file per lo script e aggiungere i premessi di esecuzione digitando nel [[AmministrazioneSistema/RigaDiComando|terminale]] i comandi:{{{ touch tesseract_multipagine.sh }}}{{{ chmod +x tesseract_multipagine.sh }}} 0. Aprire con un [[Ufficio/EditorDiTesto|editor di testo]] il file `tesseract_multipagine.sh` e copiare al suo interno le seguenti stringhe:{{{ #! #!/bin/bash |
Linea 72: | Linea 72: |
}}}Salvare il file. 0. Prima dell'utilizzo impostare le voci: * '''PAGINE''': inserire il numero di pagine desiderato. * '''SORGENTE''': indicare il percorso al file da trasformare in `.pdf`. * '''OUTPUT''': indicare il nome del nuov documento in `.pdf`. * '''RESOLUTION''': impostare la risoluzione desiderata. 0. Per avviare lo script digitare:{{{ ./tesseract_multipagine.sh |
|
Linea 74: | Linea 82: |
Dopo aver avviato lo script, il testo trasformato dall'OCR dovrebbe essere contenuto nel file `libro.txt`. | == Cuneiform == |
Linea 76: | Linea 84: |
= Cuneiform = | [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://cuneiform|cuneiform]]. |
Linea 78: | Linea 86: |
== Installazione == | Viene qui mostrata una procedura tramite [[Programmazione/Script|script]] per trasformare immagini contenenti testo (`.jpg`, meglio se `.tif`) in file di testo semplice `.txt`. |
Linea 80: | Linea 88: |
[[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: {{{ |
0. Creare nella propria '''Home''' il file per lo script e aggiungere i premessi di esecuzione digitando nel [[AmministrazioneSistema/RigaDiComando|terminale]] i comandi:{{{ touch script_cuneiform.sh }}}{{{ chmod +x script_cuneiform.sh }}} 0. Aprire con un [[Ufficio/EditorDiTesto|editor di testo]] il file `script_cuneiform.sh` e copiare al suo interno le seguenti stringhe:{{{ #! |
Linea 106: | Linea 116: |
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. |
fi }}} 0. Supponendo che nella propria '''Home''' sia presente un file immagine con il nome `immagine.tif` da trasformare in file di testo, il comando per eseguire lo script sarà: {{{ ./script_cuneiform.sh immagine.tif }}} Al termine verrà creato nella medesima cartella il file `immagine.txt`. |
Linea 115: | Linea 123: |
* [[http://code.google.com/p/tesseract-ocr/|Sito ufficiale di Tesseract]] | * [[https://github.com/tesseract-ocr|Sito ufficiale di Tesseract]] |
Problemi in questa pagina? Segnalali in questa discussione
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.
Tutti i pacchetti a cui si fa riferimento nella presente guida sono disponibili soltanto per l'architettura a 64 bit. |
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 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.
Dovrà essere digitato nel terminale un comando nella forma:
tesseract <percorso del file TIFF> <nome del file di output>
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.
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.
Di seguito viene mostrato l'utilizzo di uno script per automatizzare il processo:
Creare nella propria Home il file per lo script e aggiungere i premessi di esecuzione digitando nel terminale i comandi:
touch tesseract_multipagine.sh
chmod +x tesseract_multipagine.sh
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
Salvare il file.- Prima dell'utilizzo impostare le voci:
PAGINE: inserire il numero di pagine desiderato.
SORGENTE: indicare il percorso al file da trasformare in .pdf.
OUTPUT: indicare il nome del nuov documento in .pdf.
RESOLUTION: impostare la risoluzione desiderata.
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 e aggiungere i premessi di esecuzione digitando nel terminale i comandi:
touch script_cuneiform.sh
chmod +x script_cuneiform.sh
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
Supponendo che nella propria Home sia presente un file immagine con il nome immagine.tif da trasformare in file di testo, il comando per eseguire lo script sarà:
./script_cuneiform.sh immagine.tif
Al termine verrà creato nella medesima cartella il file immagine.txt.