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.

Installare il pacchetto tesseract-ocr.

Lingua di conversione

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:

1. Assicurarsi che l'immagine sia RGB o in Scala di grigi.

2. 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.

Installare i pacchetti imagemagick e convert.

Di seguito viene mostrato l'utilizzo di uno script per automatizzare il processo:

1. Creare nella propria Home il file per lo script.

2. 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

3. Prima dell'utilizzo impostare nel file tesseract_multipagine.sh le voci come da tabella:

   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

   Salvare quindi il file e uscire dall'editor di testo.

4. Aggiungere i premessi di esecuzione digitando nel terminale il comando:

   chmod +x tesseract_multipagine.sh

5. 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.

1. Creare e aprire con un editor di testo nella propria Home il file script script_cuneiform.sh.

2. 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.

3. 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:

1. Avviare l'applicazione OCRFeeder.

2. Selezionare il file da convertire, dal menù File → Apri.

3. Avviare la conversione dal menù File → Esporta.

gImageReader

Installare il pacchetto gimagereader.

1. Avviare l'applicazione gImageReader.

2. Selezionare il file da convertire seguendo il menu File → Aggiungi immagini.

3. Selezionare l'area testo nell'immagine aperta.

4. Cliccare con il tasto destro mouse sull'area selezionata, quindi cliccare su Riconosci.

YAGF

Installare il pacchetto yagf.

Configurazione

1. Avviare l'applicazione YAGF.

2. Selezionare il menù Modifica → Impostazioni.

3. 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.

4. Selezionare la scheda Elaborazioni Immagini e configurare come elaborare le immagini.

5. Selezionare la scheda Apparenza Programma e configurare il linguaggio usato.

6. 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

• Sito ufficiale di Tesseract

• Sito ufficiale di GNU Ocrad

• Sito ufficiale di GOCR

• Documento originale

• Sito ufficiale di Ocropus

CategoryGrafica