Dimensione: 6083
Commento:
|
Dimensione: 5899
Commento: Importata versione originale da leuci-giulio/ocr
|
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 11.04 10.10 10.04")>> |
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 == | |
Linea 18: | Linea 17: |
[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetti [[apt://ocrfeeder | ocrfeeder]]. | = Uso da interfaccia grafica = |
Linea 20: | Linea 19: |
== Utilizzo == | * 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'''''. * 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. |
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 = | '''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: * 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`. |
Linea 29: | Linea 39: |
== 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: {{{ |
Digitare nel [[AmministrazioneSistema/RigaDiComando|terminale]] i seguenti comandi:: {{{ |
Linea 39: | Linea 43: |
È importante che l'immagine abbia l'estensione `.tif` e non `.tiff`. Il comando, quindi, dovrebbe apparire come segue: {{{ | Il comando, quindi, dovrebbe apparire come segue: {{{ |
Linea 42: | Linea 48: |
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. | 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'''. |
Linea 44: | Linea 50: |
== 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'''. |
|
Linea 53: | Linea 53: |
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'''. Il seguente script può aiutare ad automatizzare il processo: |
Linea 76: | Linea 78: |
= Cuneiform = == Installazione == |
== Cuneiform == |
Linea 81: | Linea 81: |
== Da jpeg a txt == |
|
Linea 108: | Linea 106: |
== 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. |
Dopo aver reso avviabile lo script salvato nella propria '''Home''' come, ad esempio, `script.sh`, digitare in un [[AmministrazioneSistema/RigaDiComando|terminale]] i seguenti comandi: {{{ script.sh nomefile }}} dove al posto di `nomefile' si deve inserire il nome del file da convertire. |
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 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.