Wiki Ubuntu-it

Indice
Partecipa
FAQ
Wiki Blog
------------------
Ubuntu-it.org
Forum
Chiedi
Chat
Cerca
Planet
  • Pagina non alterabile
  • Informazioni
  • Allegati
  • Differenze per "Grafica/Ocr"
Differenze tra le versioni 6 e 7
Versione 6 del 09/02/2011 15.50.52
Dimensione: 3554
Commento:
Versione 7 del 17/02/2011 21.06.29
Dimensione: 3556
Autore: CarloBottai
Commento: la variabile SORGENTE era stata tradotta dall'inglese in un punto ma non in un altro
Le cancellazioni sono segnalate in questo modo. Le aggiunte sono segnalate in questo modo.
Linea 46: Linea 46:
    convert -monochrome -density $RESOLUTION $SOURCE\[$i\] page$i.tif     convert -monochrome -density $RESOLUTION $SORGENTE\[$i\] page$i.tif

BR Indice()

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.

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.

Tesseract

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 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.

{{{#!/bin/sh 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.

Ulteriori risorse


CategoryGrafica