Dimensione: 6083
Commento:
|
Dimensione: 9682
Commento: + 22.04 20.04 (copia da ivantu/Ocr_prova)
|
Le cancellazioni sono segnalate in questo modo. | Le aggiunte sono segnalate in questo modo. |
Linea 5: | Linea 5: |
<<Indice>> <<Informazioni(forum="http://forum.ubuntu-it.org/index.php/topic,475794.0.html"; rilasci="11.04 10.10 10.04")>> |
<<Indice(depth=2)>> <<Informazioni(forum="http://forum.ubuntu-it.org/viewtopic.php?t=475794"; rilasci="22.04 21.10 20.04 16.04")>> |
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'''. = 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]] 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> }}} '''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'''. == 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 |
Con l'acronimo OCR (Optical Character Recognition), si indica una suite di riconoscimento ottico dei caratteri, che consente di convertire le scansioni documenti o immagini contenente testo, in testo semplice. Ciò permette di risparmiare spazio sul disco, modificare il testo o fare ricerche all'interno di esso. Strumenti OCR, per i sistemi Linux sono: '''OCRFeeder''', '''gImageReader''', '''YAGF''', '''Tesseract''' e '''!CuneiForm'''. = Motori OCR = == Tesseract == Occorre configurare i motori OCR (Optical Character Recognition), uno dei principali, molto utilizzato è senz'altro [[#Tesseract|Tesseract]]. {{{#!wiki important '''Tesseract''' accetta solo immagini con l'estensione `.tif`. L'immagine non deve avere estensione file `.tiff`. }}} [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/tesseract-ocr|tesseract-ocr]]. === Lingua di conversione === {{{#!wiki note Per quanto riguarda il funzionamento alla conversione è necessario installare i pacchetti delle lingue di traduzione. Consultare la [[https://manpages.ubuntu.com/manpages/jammy/man1/tesseract.1.html|pagina manuale]]. }}} Per convertire testi in Italiano, installare il pacchetto [[apt://tesseract-ocr-ita|tesseract-ocr-ita]]. == Ocrad == [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://ocrad|ocrad]]. == Gocr == [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://gocr|gocr]]. = Acquisizione da terminale = Per ottimizzare le immagini per l'acquisizione con '''Tesseract''': 0. Assicurarsi che l'immagine sia '''RGB''' o in '''Scala di grigi'''. 0. Digitare nel [[AmministrazioneSistema/Terminale|terminale]] il seguente comando:{{{ tesseract <percorso del file TIFF> <nome del file di output> [OPTIONS] [CONFIGFILE] }}} sostituendo: `<percorso del file TIFF>` con il percorso e il nome del file di input da convertire, `<nome del file di output>` con il percorso e il nome del output. == PDF multipagine == Spesso i documenti scansionati vengono salvati come immagini in documenti `.pdf`.<<BR>> È possibile usare '''!ImageMagick'''. {{{#!wiki note Le singole pagine possono essere estratte come file `.tiff` per poi essere processate con '''Tesseract'''. }}} [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt://imagemagick|imagemagick]] e [[apt://convert|convert]]. Di seguito viene mostrato l'utilizzo di uno [[Programmazione/Script|script]] per automatizzare il processo: 0. Creare nella propria '''Home''' il file per lo script. 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 73: | Linea 85: |
Dopo aver avviato lo script, il testo trasformato dall'OCR dovrebbe essere contenuto nel file `libro.txt`. = 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: {{{ |
0. Prima dell'utilizzo impostare nel file `tesseract_multipagine.sh` le voci come da tabella: ||<rowstyle="background-color: #dddddd;":> '''Voce''' ||<50%:>'''Descrizione''' || ||<style="background-color: #f7f7f7;":> '''PAGINE''' || inserire il numero di pagine desiderato || ||<style="background-color: #f7f7f7;":> '''SORGENTE''' || indicare il nome del file da trasformare in `.pdf` || ||<style="background-color: #f7f7f7;":> '''OUTPUT''' || indicare il nome del nuovo documento in `.pdf` || ||<style="background-color: #f7f7f7;":> '''RESOLUTION''' || impostare la risoluzione desiderata || Salvare quindi il file e uscire dall'editor di testo. 0. Aggiungere i [[AmministrazioneSistema/PermessiFile#Assegnare_i_permessi_di_esecuzione|premessi di esecuzione]] digitando nel [[AmministrazioneSistema/Terminale|terminale]] il comando:{{{ chmod +x tesseract_multipagine.sh }}} 0. Per avviare lo script digitare:{{{ ./tesseract_multipagine.sh }}} == Cuneiform == '''Cuneiform''', oltre al riconoscimento del testo, esegue anche l'analisi del layout e riconoscimento del formato del testo. Supporta diverse lingue. [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt://cuneiform|cuneiform]] e [[apt://convert|convert]]. Viene qui mostrata una procedura tramite [[Programmazione/Script|script]] per trasformare immagini (`.jpg`, meglio se `.tif`) contenenti testo, in file di testo `.txt` semplice. 0. Creare e aprire con un [[Ufficio/EditorDiTesto|editor di testo]] nella propria '''Home''' il file script `script_cuneiform.sh`. 0. Copiare al suo interno le seguenti stringhe:{{{ #! |
Linea 106: | Linea 132: |
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 }}} Salvare quindi il file e chiuderlo. 0. Aggiungere i [[AmministrazioneSistema/PermessiFile#Assegnare_i_permessi_di_esecuzione|premessi di esecuzione]] digitando nel [[AmministrazioneSistema/Terminale|terminale]] il comando:{{{ chmod +x script_cuneiform.sh }}} 0.Per eseguire lo [[Programmazione/Script|script]] digitare nel [[AmministrazioneSistema/Terminale|terminale]] il comando:{{{ ./script_cuneiform.sh /percorso_file/immagine.tif }}} sostituendo `/percorso_file/immagine.tif`, con il percorso e il nome dell'immagine da convertire in file di testo. Al termine della procedura verrà creato nella medesima cartella il file `immagine.txt`. = Uso da interfaccia grafica = == OCRFeeder == '''OCRFeeder''' è fornito di una pratica interfaccia grafica ai motori OCR. Riproduce pagine di un documento cartaceo in digitale. [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/ocrfeeder|ocrfeeder]]. Per importare un file: 0. [[AmbienteGrafico/AvviareProgrammi|Avviare]] l'applicazione '''OCRFeeder'''. 0. Selezionare il file da convertire, dal menù '''''File → Apri'''''. 0. Avviare la conversione dal menù '''''File → Esporta'''''. {{{#!wiki note Se si deve convertire un file da scanner, scegliere dal menù '''''File → Importa pagina dallo scanner''''' da cui si deve importare un file `.pdf` seguendo il menù '''''File → Importa PDF'''''. }}} {{{#!wiki tip È possibile modificare le opzioni di conversioni con i menù a destra. In particolare è possibile scegliere un motore di conversione diverso da quello predefinito. }}} == gImageReader == [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/gimagereader|gimagereader]]. 0. [[AmbienteGrafico/AvviareProgrammi|Avviare]] l'applicazione '''gImageReader'''. 0. Selezionare il file da convertire seguendo il menu '''''File → Aggiungi immagini'''''. 0. Selezionare l'area testo nell'immagine aperta. 0. Cliccare con il tasto destro mouse sull'area selezionata, quindi cliccare su '''Riconosci'''. == YAGF == [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/yagf|yagf]]. === Configurazione === 0. [[AmbienteGrafico/AvviareProgrammi|Avviare]] l'applicazione '''YAGF'''. 0. Selezionare il menù '''''Modifica → Impostazioni'''''. 0. Selezionare la scheda '''OCR e Linguaggi''': * '''Motore OCR''': [[#ocr|impostare]] il motore '''OCR''' da usare e il percorso di archiviazione * '''Linguaggi riconosciuti''': scegliere se usare un singolo linguaggio o più di uno e quali. 0. Selezionare la scheda '''Elaborazioni Immagini''' e configurare come elaborare le immagini. 0. Selezionare la scheda '''Apparenza Programma''' e configurare il linguaggio usato. 0. Fare clic sul tasto '''OK'''. === Caricamento immagini === Sono disponibili tre modalità facendo clic sulle corrispondenti icone: * Aprire un'immagine archiviata nel sistema. * Scansionare direttamente un documento tramite [[Hardware/StampantiScanner|scanner]]. * Incollare l'immagine precedentemente copiata negli appunti. === Elaborare immagine === Selezionare l'icona con scritto «'''ocr'''» in rosso o in blu, rispettivamente per riconoscere la singola pagina mostrata o tutte le pagine selezionate. === Salvataggio immagini === Fare clic sull'icona corrispondente. Per le altre funzioni selezionare il menù '''''Aiuto → Aiuto in linea'''''. |
Linea 116: | Linea 210: |
* [[http://code.google.com/p/tesseract-ocr/|Sito ufficiale di Tesseract]] | * [[https://github.com/tesseract-ocr|Sito ufficiale di Tesseract]] |
Linea 120: | Linea 214: |
* [[https://github.com/ocropus/ocr2021|Sito ufficiale di Ocropus]] |
|
Linea 121: | Linea 217: |
Guida verificata con Ubuntu: 20.04 22.04
Problemi in questa pagina? Segnalali in questa discussione
Introduzione
Con l'acronimo OCR (Optical Character Recognition), si indica una suite di riconoscimento ottico dei caratteri, che consente di convertire le scansioni documenti o immagini contenente testo, in testo semplice. Ciò permette di risparmiare spazio sul disco, modificare il testo o fare ricerche all'interno di esso.
Strumenti OCR, per i sistemi Linux sono: OCRFeeder, gImageReader, YAGF, Tesseract e CuneiForm.
Motori OCR
Tesseract
Occorre configurare i motori OCR (Optical Character Recognition), uno dei principali, molto utilizzato è senz'altro Tesseract.
Tesseract accetta solo immagini con l'estensione .tif. L'immagine non deve avere estensione file .tiff.
Installare il pacchetto tesseract-ocr.
Lingua di conversione
Per quanto riguarda il funzionamento alla conversione è necessario installare i pacchetti delle lingue di traduzione. Consultare la pagina manuale.
Per convertire testi in Italiano, installare il pacchetto tesseract-ocr-ita.
Ocrad
Installare il pacchetto ocrad.
Gocr
Installare il pacchetto gocr.
Acquisizione da terminale
Per ottimizzare le immagini per l'acquisizione con Tesseract:
Assicurarsi che l'immagine sia RGB o in Scala di grigi.
Digitare nel terminale il seguente comando:
tesseract <percorso del file TIFF> <nome del file di output> [OPTIONS] [CONFIGFILE]
sostituendo: <percorso del file TIFF> con il percorso e il nome del file di input da convertire, <nome del file di output> con il percorso e il nome del output.
PDF multipagine
Spesso i documenti scansionati vengono salvati come immagini in documenti .pdf.
È possibile usare ImageMagick.
Le singole pagine possono essere estratte come file .tiff per poi essere processate con Tesseract.
Installare i pacchetti imagemagick e convert.
Di seguito viene mostrato l'utilizzo di uno script per automatizzare il processo:
Creare nella propria Home il file per lo script.
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
Prima dell'utilizzo impostare nel file tesseract_multipagine.sh le voci come da tabella:
Salvare quindi il file e uscire dall'editor di testo.Voce
Descrizione
PAGINE
inserire il numero di pagine desiderato
SORGENTE
indicare il nome del file da trasformare in .pdf
OUTPUT
indicare il nome del nuovo documento in .pdf
RESOLUTION
impostare la risoluzione desiderata
Aggiungere i premessi di esecuzione digitando nel terminale il comando:
chmod +x tesseract_multipagine.sh
Per avviare lo script digitare:
./tesseract_multipagine.sh
Cuneiform
Cuneiform, oltre al riconoscimento del testo, esegue anche l'analisi del layout e riconoscimento del formato del testo. Supporta diverse lingue.
Installare i pacchetti cuneiform e convert.
Viene qui mostrata una procedura tramite script per trasformare immagini (.jpg, meglio se .tif) contenenti testo, in file di testo .txt semplice.
Creare e aprire con un editor di testo nella propria Home il file script script_cuneiform.sh.
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
Salvare quindi il file e chiuderlo.Aggiungere i premessi di esecuzione digitando nel terminale il comando:
chmod +x script_cuneiform.sh
0.Per eseguire lo script digitare nel terminale il comando:
./script_cuneiform.sh /percorso_file/immagine.tif
sostituendo /percorso_file/immagine.tif, con il percorso e il nome dell'immagine da convertire in file di testo.
Al termine della procedura verrà creato nella medesima cartella il file immagine.txt.
Uso da interfaccia grafica
OCRFeeder
OCRFeeder è fornito di una pratica interfaccia grafica ai motori OCR. Riproduce pagine di un documento cartaceo in digitale.
Installare il pacchetto ocrfeeder.
Per importare un file:
Avviare l'applicazione OCRFeeder.
Selezionare il file da convertire, dal menù File → Apri.
Avviare la conversione dal menù File → Esporta.
Se si deve convertire un file da scanner, scegliere dal menù File → Importa pagina dallo scanner da cui si deve importare un file .pdf seguendo il menù File → Importa PDF.
È possibile modificare le opzioni di conversioni con i menù a destra. In particolare è possibile scegliere un motore di conversione diverso da quello predefinito.
gImageReader
Installare il pacchetto gimagereader.
Avviare l'applicazione gImageReader.
Selezionare il file da convertire seguendo il menu File → Aggiungi immagini.
- Selezionare l'area testo nell'immagine aperta.
Cliccare con il tasto destro mouse sull'area selezionata, quindi cliccare su Riconosci.
YAGF
Installare il pacchetto yagf.
Configurazione
Avviare l'applicazione YAGF.
Selezionare il menù Modifica → Impostazioni.
Selezionare la scheda OCR e Linguaggi:
Motore OCR: impostare il motore OCR da usare e il percorso di archiviazione
Linguaggi riconosciuti: scegliere se usare un singolo linguaggio o più di uno e quali.
Selezionare la scheda Elaborazioni Immagini e configurare come elaborare le immagini.
Selezionare la scheda Apparenza Programma e configurare il linguaggio usato.
Fare clic sul tasto OK.
Caricamento immagini
Sono disponibili tre modalità facendo clic sulle corrispondenti icone:
- Aprire un'immagine archiviata nel sistema.
Scansionare direttamente un documento tramite scanner.
- Incollare l'immagine precedentemente copiata negli appunti.
Elaborare immagine
Selezionare l'icona con scritto «ocr» in rosso o in blu, rispettivamente per riconoscere la singola pagina mostrata o tutte le pagine selezionate.
Salvataggio immagini
Fare clic sull'icona corrispondente.
Per le altre funzioni selezionare il menù Aiuto → Aiuto in linea.
Ulteriori risorse