Dimensione: 3584
Commento: typo
|
Dimensione: 9009
Commento:
|
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/viewtopic.php?t=475794"; rilasci="11.04 10.10 10.04")>> | |
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. | 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'''. |
Linea 11: | Linea 12: |
= Installazione = | = OCRFeeder = |
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. | '''OCRFeeder''' fornisce un'interfaccia a software OCR. ha impostazioni predefinite per '''Tesseract''', '''!CuneiForm''', '''GOCR''' e '''Ocrad'''. L'unica cosa che deve fare l'utente è quella di installare il sistema operativo e un software OCR a scelta, quest'ultimo verrà rilevato da '''OCRFeeder''' che si autoconfigurerà. == Installazione == [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[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`. |
Linea 16: | Linea 28: |
== Installazione == [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt://tesseract-ocr | tesseract-ocr]], [[apt://ocrad | ocrad]] e [[apt://gocr | gocr]]. |
|
Linea 17: | Linea 34: |
Linea 22: | Linea 40: |
È importante che l'immagine abbia l'estensione `.tif` e non `.tiff`. Il comando, quindi, dovrebbe apparire come segue: {{{ | È importante che l'immagine abbia l'estensione `.tif` e non `.tiff`. Il comando, quindi, dovrebbe apparire come segue: {{{ |
Linea 25: | Linea 45: |
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 49: |
'''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'''. |
'''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'''. |
Linea 36: | Linea 56: |
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. | 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 59: | Linea 81: |
= 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: {{{ #!/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 }}} == 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. = Easy-OCR = == Caratteristiche == * Le impostazioni vengono salvate fino alla successiva modifica. * Il nome del file e la posizione è richiesto dal programma agli inizi del processo di scansione, se non viene specificata una posizione il file verrà salvato automaticamente nella cartella Documenti. * Auto rotazione. Elimina le preoccupazioni su come tenere il libro sullo scanner. Il programma può impostare la rotazione corretta. * Due motori di scansione. Ci sono due motori, uno ottimizzato per la fotografia e la velocità di salto e l'altro per tracciare l'analisi. * Scansione ripetuta. Ora c'è la possibilità di fare la scansione ripetuta ed è possibile impostare il ritardo tra la scansione. * Numero di pagina. Il programma assegnerà automaticamente il numero di pagina e si può andare alla pagina utilizzando la funzione Trova. == Installazione == Scaricare il pacchetto `.deb` dalla [[http://code.google.com/p/easy-ocr/|pagina del progetto]] ed [[AmministrazioneSistema/InstallarePacchettiDebian|installarlo]]. Se si utilizza '''Ubuntu 11.04''', scaricare il pacchetto scribes da [[http://packages.ubuntu.com/maverick/all/scribes/download|qui]]. == Utilizzo == 0. Dopo l'installazione, avviare '''Easy-OCR''', andare al menu grafico e selezionare le impostazioni (o premere la combinazione di tasti '''Alt + Ctrl + Shift + S''') per regolare le impostazioni dello scanner. Il programma indicherà se ha rilevato lo scanner, regolare ora il ritardo tra la ripetizione di scansione, risoluzione, angolo in cui si ha l'oggetto da sottoporre a scansione, la luminosità ed il linguaggio. Dopo la selezione il programma indicherà le impostazioni selezionate. 0. Per quanto riguarda la rotazione automatica, è possibile selezionare le impostazioni manuali o la modalità automatica. In modalità automatica si deve digitare una possibile parola nella pagina selezionata (esempio: la, è, a) e poi premere '''Invio'''. Il programma selezionerà automaticamente la corretta rotazione. 0. Ora è possibile avviare la scansione. Ci sono due motori, selezionare '''facile-ocr-SCAN1''' o '''2''' nel menu grafico (oppure premete '''Alt + Ctrl + Maiusc +1''') per avviare la scansione con il primo motore che è migliore per salto d'immagine e velocità. Premete '''Alt + Ctrl + shift +2''' per il secondo motore che è migliore per l'analisi del layout. 0. Tasto di lettura. Dopo la prima scansione e riconoscimento, il programma annuncerà 1, premere il pulsante '''Aggiungi''' nella tastierino numerico per iniziare a leggere. 0. '''Alt + Ctrl + Shift + C''' si ferma o annulla la scansione in qualsiasi momento. 0. Si può andare in qualsiasi pagina premendo '''Ctrl + F''' e digitando il seguente numero di pagina. Le pagine vuote verranno ignorate dal programma. |
|
Linea 60: | Linea 157: |
Problemi in questa pagina? Segnalali in questa discussione
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 e Easy-OCR.
OCRFeeder
OCRFeeder fornisce un'interfaccia a software OCR. ha impostazioni predefinite per Tesseract, CuneiForm, GOCR e Ocrad. L'unica cosa che deve fare l'utente è quella di installare il sistema operativo e un software OCR a scelta, quest'ultimo verrà rilevato da OCRFeeder che si autoconfigurerà.
Installazione
Installare il pacchetto 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
Installare i pacchetti tesseract-ocr, ocrad e gocr.
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 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 (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
Installazione
Installare il pacchetto 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:
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
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 Github o dal 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.
Easy-OCR
Caratteristiche
- Le impostazioni vengono salvate fino alla successiva modifica.
- Il nome del file e la posizione è richiesto dal programma agli inizi del processo di scansione, se non viene specificata una posizione il file verrà salvato automaticamente nella cartella Documenti.
- Auto rotazione. Elimina le preoccupazioni su come tenere il libro sullo scanner. Il programma può impostare la rotazione corretta.
- Due motori di scansione. Ci sono due motori, uno ottimizzato per la fotografia e la velocità di salto e l'altro per tracciare l'analisi.
- Scansione ripetuta. Ora c'è la possibilità di fare la scansione ripetuta ed è possibile impostare il ritardo tra la scansione.
- Numero di pagina. Il programma assegnerà automaticamente il numero di pagina e si può andare alla pagina utilizzando la funzione Trova.
Installazione
Scaricare il pacchetto .deb dalla pagina del progetto ed installarlo.
Se si utilizza Ubuntu 11.04, scaricare il pacchetto scribes da qui.
Utilizzo
Dopo l'installazione, avviare Easy-OCR, andare al menu grafico e selezionare le impostazioni (o premere la combinazione di tasti Alt + Ctrl + Shift + S) per regolare le impostazioni dello scanner. Il programma indicherà se ha rilevato lo scanner, regolare ora il ritardo tra la ripetizione di scansione, risoluzione, angolo in cui si ha l'oggetto da sottoporre a scansione, la luminosità ed il linguaggio. Dopo la selezione il programma indicherà le impostazioni selezionate.
Per quanto riguarda la rotazione automatica, è possibile selezionare le impostazioni manuali o la modalità automatica. In modalità automatica si deve digitare una possibile parola nella pagina selezionata (esempio: la, è, a) e poi premere Invio. Il programma selezionerà automaticamente la corretta rotazione.
Ora è possibile avviare la scansione. Ci sono due motori, selezionare facile-ocr-SCAN1 o 2 nel menu grafico (oppure premete Alt + Ctrl + Maiusc +1) per avviare la scansione con il primo motore che è migliore per salto d'immagine e velocità. Premete Alt + Ctrl + shift +2 per il secondo motore che è migliore per l'analisi del layout.
Tasto di lettura. Dopo la prima scansione e riconoscimento, il programma annuncerà 1, premere il pulsante Aggiungi nella tastierino numerico per iniziare a leggere.
Alt + Ctrl + Shift + C si ferma o annulla la scansione in qualsiasi momento.
Si può andare in qualsiasi pagina premendo Ctrl + F e digitando il seguente numero di pagina. Le pagine vuote verranno ignorate dal programma.