Dimensione: 3561
Commento: rinominata
|
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 4: | Linea 4: |
[[BR]] [[Indice()]] |
<<BR>> <<Indice>> <<Informazioni(forum="http://forum.ubuntu-it.org/viewtopic.php?t=475794"; rilasci="16.04 11.04 10.10 10.04")>> |
Linea 7: | 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 9: | 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. | ||<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 11: | Linea 12: |
= Installazione = | = Installare i motori OCR = |
Linea 13: | Linea 14: |
[: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. | [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt:/ocrfeeder | ocrfeeder]], [[apt:/tesseract-ocr | tesseract-ocr]], [[apt:/ocrad | ocrad]], [[apt:gocr | gocr]] = Uso da interfaccia grafica = * 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. = Uso da riga di comando = |
Linea 17: | Linea 33: |
=== Utilizzo === | '''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 19: | Linea 39: |
'''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 24: | 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 27: | 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 29: | Linea 50: |
=== Preparare le immagini === | |
Linea 31: | Linea 51: |
'''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 == |
Linea 36: | Linea 53: |
=== 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'''. |
Linea 38: | Linea 55: |
Spesso, i documenti scansionati vengono salvati come immagini in documenti PDF. Usando '''!ImageMagick''' ([:AmministrazioneSistema/InstallareProgrammi:installabile] tramite il pacchetto '''''imagemagick''''' reperibile dal componente [:Repository/Componenti:componente] '''universe'''), le singole pagine possono essere estratte come file TIFF per poi essere processate con Tesseract. Il seguente script può aiutare ad automatizzare il processo. | Il seguente script può aiutare ad automatizzare il processo: |
Linea 40: | Linea 57: |
{{{#!/bin/sh | {{{ #!/bin/sh |
Linea 48: | Linea 66: |
convert -monochrome -density $RESOLUTION $SOURCE\[$i\] page$i.tif | convert -monochrome -density $RESOLUTION $SORGENTE\[$i\] page$i.tif |
Linea 55: | Linea 73: |
done}}} | done }}} |
Linea 59: | Linea 78: |
== Cuneiform == [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://cuneiform | 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: {{{ #!/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 }}} 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. |
|
Linea 60: | Linea 112: |
* [http://code.google.com/p/tesseract-ocr/ Sito ufficiale di Tesseract] * [http://www.gnu.org/software/ocrad/ocrad.html Sito ufficiale di GNU Ocrad] * [http://jocr.sourceforge.net/ Sito ufficiale di GOCR] * [https://help.ubuntu.com/community/OCR/ Documento originale] |
* [[http://code.google.com/p/tesseract-ocr/|Sito ufficiale di Tesseract]] * [[http://www.gnu.org/software/ocrad/ocrad.html|Sito ufficiale di GNU Ocrad]] * [[http://jocr.sourceforge.net/|Sito ufficiale di GOCR]] * [[https://help.ubuntu.com/community/OCR/|Documento originale]] |
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.