Wiki Ubuntu-it

Indice
Partecipa
FAQ
Wiki Blog
------------------
Ubuntu-it.org
Forum
Chiedi
Chat
Cerca
Planet
  • Pagina non alterabile
  • Informazioni
  • Allegati

Versione 1 del 24/12/2009 15.39.28

Nascondi questo messaggio

Con l'acronimo OCR (inglese, Optical Character Recognition) si indica una tecnologia che consente di convertire le scansioni contenente testo in testo semplice. Ciò permette di risparmiare spazio su disco, modificare il testo o fare ricerche all'interno di esso.

Il [:Repository/Componenti:componente] universe di Ubuntu contiene i seguenti software OCR, pronti per l'[:AmministrazioneSistema/InstallareProgrammi:installazione]:

  • tesseract-ocr
  • ocrad
  • gocr

Tesseract

Introduzione

Il software che, in rapporto agli altri, produce i migliori risultati è Tesseract. È una tecnologia inizialmente sviluppata dai laboratori HP tra il 1985 e il 1995, che è stata rilasciata come Open Source nel 2005. Tesseract può riconoscere testi in 7 differenti linguaggi: inglese, tedesco, francese, italiano, spagnolo, portoghese brasiliano e olandese. È possibile, se necessario, installare più di un dizionario ed utilizzarli contemporaneamente. Il software non supporta l'analisi dei layout, quindi non si possono elaborare in automatico scansioni di testi multicolonna, immagini, equazioni, ecc. Inoltre, supporta come unico formato di input le immagini TIFF.

Utilizzo

Tesseract è attualmente uno strumento utilizzabile solamente da riga di comando (è in lavorazione un'integrazione con l'interfaccia grafica di OCROpus). Dopo averlo installato, il programma può essere usato con il comando {{{tesseract <percorso del file TIFF> <nome del file di output> }}} Tesseract darà automaticamente al file prodotto l'estensione .txt. È importante che l'immagine TIFF abbia 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 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 $SOURCE\[$i\] 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