Wiki Ubuntu-it

Indice
Partecipa
FAQ
Wiki Blog
------------------
Ubuntu-it.org
Forum
Chiedi
Chat
Cerca
Planet
  • Pagina non alterabile
  • Informazioni
  • Allegati
  • Differenze per "ivantu/Ocr_prova"
Differenze tra le versioni 3 e 10 (in 7 versioni)
Versione 3 del 12/03/2022 11.45.51
Dimensione: 7093
Autore: ivantu
Commento: +ocropus, +ocrodjvu
Versione 10 del 09/04/2022 17.05.31
Dimensione: 8409
Autore: ivantu
Commento:
Le cancellazioni sono segnalate in questo modo. Le aggiunte sono segnalate in questo modo.
Linea 7: Linea 7:
<<Informazioni(forum="http://forum.ubuntu-it.org/viewtopic.php?t=475794"; rilasci="20.04 16.04")>> <<Informazioni(forum="http://forum.ubuntu-it.org/viewtopic.php?t=475794"; rilasci="22.04 21.10 20.04 16.04")>>
Linea 11: Linea 11:
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.<<BR>>Strumenti OCR di largo utilizzo per i sistemi Linux sono: '''OCRFeeder''', '''Tesseract''', '''!CuneiForm'''. 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.
Linea 13: Linea 13:
= Installare i motori OCR = Strumenti OCR, per i sistemi Linux sono: '''OCRFeeder''', '''gImageReader''', '''YAGF''', '''Tesseract''' e '''!CuneiForm'''.
Linea 15: Linea 15:
[[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti:
 * Da interfaccia grafica: [[apt:/ocrfeeder|ocrfeeder]].
 * Da interfaccia [[AmministrazioneSistema/Terminale|terminale]]: [[apt:/tesseract-ocr | tesseract-ocr]], [[apt:/ocrad | ocrad]], [[apt:gocr | gocr]], [[apt:ocropus | ocropus]], [[apt:ocrodjvu | ocrodjvu]].
= Motori OCR =
Linea 19: Linea 17:
= Uso da interfaccia grafica (OCRFeeder) =

 0. Per [[AmbienteGrafico/AvviareProgrammi | avviare]] l'applicazione '''OCRFeeder''':
 0. Con il '''+''' in alto a sinistra selezionare il file da convertire.
 0. Con il simbolo immediatamente a destra avviare la conversione.

{{{#!wiki tip
È possibile modificare le opzioni di conversioni con i menu a destra. In particolare è possibile scegliere un motore di conversione diverso da quello predefinito.}}}

= Uso dal terminale =
Linea 31: Linea 19:
Occorre configurare i motori OCR (Optical Character Recognition), uno dei principali, molto utilizzato è senz'altro [[#Tesseract|Tesseract]].
Linea 32: Linea 22:
'''Tesseract''' accetta solo immagini con l'estensione `.tif`.<<BR>>L'immagine non deve avere estensione file `.tiff`. '''Tesseract''' accetta solo immagini con l'estensione `.tif`. L'immagine non deve avere estensione file `.tiff`.
Linea 35: Linea 25:
Per ottimizzare le immagini per l'acquisizione con '''Tesseract''', dopo essersi assicurati di avere installato '''[[Grafica/Gimp|GIMP]]''', procedere come segue:
 0. Aprire '''GIMP''' e andare nel menù '''''Immagine → Modalità''''' ed assicurarsi che l'immagine sia '''RGB''' o in '''Scala di grigi'''.
 0. Selezionare dal menù '''''Strumenti → Colore → Soglia''''' e scegliere un valore di soglia adeguato.
 0. Selezionare dal menù '''''Immagine → Modalità → Indicizzata''''' e dalle opzioni selezionare '''1-bit''' e '''Nessun dithering'''.
 * [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/tesseract-ocr|tesseract-ocr]].

=== Lingua di conversione ===

{{{#!wiki note
Per quanto riguarda il funzionamento alla conversione è necessario installare i pacchetti delle lingue di traduzione. Consultare la [[https://manpages.ubuntu.com/manpages/jammy/man1/tesseract.1.html|pagina manuale]].
}}}

Per convertire testi in Italiano, installare il pacchetto [[apt://tesseract-ocr-ita|tesseract-ocr-ita]].

== Ocrad ==

 * [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/ocrad|ocrad]].

== Gocr ==

 * [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:gocr|gocr]].

= Acquisizione da terminale =

Per ottimizzare le immagini per l'acquisizione con '''Tesseract''', assicurarsi che l'immagine sia '''RGB''' o in '''Scala di grigi'''.<<BR>>Procedere come segue:
Linea 40: Linea 48:
tesseract <percorso del file TIFF> <nome del file di output>
}}} Supponendo che la propria '''Home''' si chiami `/home/mario`, che al suo interno vi sia il file `input.tif` e che si voglia generare il file di testo `output.txt`, il comando diverrà: {{{
tesseract /home/mario/input.tif output
}}} '''Tesseract''' darà automaticamente al file generato l'estensione `.txt`.
tesseract <percorso del file TIFF> <nome del file di output> [OPTIONS] [CONFIGFILE]
}}}
Linea 45: Linea 51:
== Usare Tesseract con PDF multipagine == {{{#!wiki note
Sostituire `<percorso del file TIFF>` con il percorso e il nome del file di input da convertire.<<BR>>Sostituire `<nome del file di output>` con il percorso e il nome del output.
}}}
Linea 47: Linea 55:
Spesso, i documenti scansionati vengono salvati come immagini in documenti `.pdf`.
Usare '''!ImageMagick''' ([[AmministrazioneSistema/InstallareProgrammi|installare]] tramite il pacchetto [[apt://imagemagick | imagemagick]]), le singole pagine possono essere estratte come file `.tiff` per poi essere processate con '''Tesseract'''.<<BR>>Di seguito viene mostrato l'utilizzo di uno [[Programmazione/Script|script]] per automatizzare il processo:
== PDF multipagine ==

Spesso, i documenti scansionati vengono salvati come immagini in documenti `.pdf`.<<BR>>Usare '''!ImageMagick'''.

{{{#!wiki note
Le singole pagine possono essere estratte come file `.tiff` per poi essere processate con '''Tesseract'''.
}}}

 * [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt://imagemagick|imagemagick]] e [[apt://convert|convert]].

Di seguito viene mostrato l'utilizzo di uno [[Programmazione/Script|script]] per automatizzare il processo:
Linea 70: Linea 87:
 0. Prima dell'utilizzo impostare nel file `tesseract_multipagine.sh` le voci:
  *
'''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.
 0. Prima dell'utilizzo impostare nel file `tesseract_multipagine.sh` le voci come da tabella:

||<rowstyle="background-color: #dddddd;":> '''Voce''' ||<50%:>'''Descrizione''' ||
||<style="background-color: #f7f7f7;":>
'''PAGINE''' || inserire il numero di pagine desiderato ||
||<style="background-color: #f7f7f7;":>
'''SORGENTE''' || indicare il nome del file da trasformare in `.pdf` ||
||<style="background-color: #f7f7f7;":>
'''OUTPUT''' || indicare il nome del nuovo documento in `.pdf` ||
||<style="background-color: #f7f7f7;":>
'''RESOLUTION''' || impostare la risoluzione desiderata ||
Linea 85: Linea 105:
[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://cuneiform|cuneiform]]. '''Cuneiform''', oltre al riconoscimento del testo, esegue anche l'analisi del layout e riconoscimento del formato del testo. Supporta diverse lingue.
Linea 87: Linea 107:
Viene qui mostrata una procedura tramite [[Programmazione/Script|script]] per trasformare immagini contenenti testo (`.jpg`, meglio se `.tif`) in file di testo semplice `.txt`. [[AmministrazioneSistema/InstallareProgrammi|Installare]] i pacchetti [[apt://cuneiform|cuneiform]] e [[apt://convert|convert]].
Linea 89: Linea 109:
 0. Creare nella propria '''Home''' il file per lo script.
 0. Aprire con un [[Ufficio/EditorDiTesto|editor di testo]] il file `script_cuneiform.sh` e copiare al suo interno le seguenti stringhe:{{{
Viene qui mostrata una procedura tramite [[Programmazione/Script|script]] per trasformare immagini (`.jpg`, meglio se `.tif`) contenenti testo, in file di testo `.txt` semplice.

 0. Creare e aprire con un [[Ufficio/EditorDiTesto|editor di testo]] nella propria '''Home''' il file script `script_cuneiform.sh`.
 0. Copiare al suo interno le seguenti stringhe:{{{
Linea 120: Linea 142:
 0. Per eseguire lo script digitare nel [[AmministrazioneSistema/Terminale|terminale]] il comando:{{{
[[
Programmazione/Script|Eseguire lo script]], digitare nel [[AmministrazioneSistema/Terminale|terminale]] il comando:{{{
Linea 125: Linea 148:
Sostituire ''/percorso_file/immagine.tif'', con il percorso_file dell'immagine da convertire in file di testo. Sostituire `/percorso_file/immagine.tif`, con il percorso_file dell'immagine da convertire in file di testo.
Linea 128: Linea 151:
== Ocropus == = Uso da interfaccia grafica =
Linea 130: Linea 153:
[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://ocropus|ocropus]]. == OCRFeeder ==
Linea 132: Linea 155:
== Ocrodjvu == '''OCRFeeder''' è fornito di una pratica interfaccia grafica ai motori OCR. Riproduce pagine di un documento cartaceo in digitale.
Linea 134: Linea 157:
[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt://ocrodjvu|ocrodjvu]]. [[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/ocrfeeder|ocrfeeder]].

 * [[AmbienteGrafico/AvviareProgrammi|Avviare]] l'applicazione '''OCRFeeder'''.

=== Importazione file ===

 0. Selezionare il file da convertire, dal menù '''File → Apri'''.
 0. Avviare la conversione, dal menù '''File → Esporta'''

{{{#!wiki note
Se si deve convertire un file da scanner, scegliere dal menù '''File + Importa pagina dallo scanner'''.<<BR>>Nel quale dobbiamo importare un file `.pdf`, dal menù '''File + Importa PDF'''.
}}}

{{{#!wiki tip
È possibile modificare le opzioni di conversioni con i menù a destra. In particolare è possibile scegliere un motore di conversione diverso da quello predefinito.}}}

== gImageReader ==

[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/gimagereader|gimagereader]].

 0. [[AmbienteGrafico/AvviareProgrammi|Avviare]] l'applicazione '''gImageReader'''.
 0. Selezionare il file da convertire.
 0. Avviare la conversione.

== YAGF ==

[[AmministrazioneSistema/InstallareProgrammi|Installare]] il pacchetto [[apt:/yagf|yagf]].

 0. [[AmbienteGrafico/AvviareProgrammi|Avviare]] l'applicazione '''YAGF'''.


Attenzione! Questa è una Pagina di prova. Le informazioni riportate potrebbero essere incomplete, errate e potenzialmente pericolose. Per contribuire alla realizzazione di questa pagina consultare la discussione di riferimento.

Guida verificata con Ubuntu: 20.04 22.04

Problemi in questa pagina? Segnalali in questa discussione

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.

Tesseract accetta solo immagini con l'estensione .tif. L'immagine non deve avere estensione file .tiff.

Lingua di conversione

Per quanto riguarda il funzionamento alla conversione è necessario installare i pacchetti delle lingue di traduzione. Consultare la pagina manuale.

Per convertire testi in Italiano, installare il pacchetto tesseract-ocr-ita.

Ocrad

Gocr

Acquisizione da terminale

Per ottimizzare le immagini per l'acquisizione con Tesseract, assicurarsi che l'immagine sia RGB o in Scala di grigi.
Procedere come segue:

  1. Digitare nel terminale il seguente comando:

    tesseract <percorso del file TIFF> <nome del file di output> [OPTIONS] [CONFIGFILE]

Sostituire <percorso del file TIFF> con il percorso e il nome del file di input da convertire.
Sostituire <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.
Usare ImageMagick.

Le singole pagine possono essere estratte come file .tiff per poi essere processate con Tesseract.

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. Uscire dall'editor di testo.
  • Aggiungere i premessi di esecuzione, digitare nel terminale i comandi:

    chmod +x tesseract_multipagine.sh
  • 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, digitare nel terminale i comandi:

    chmod +x script_cuneiform.sh

Avviare lo script

Eseguire lo script, digitare nel terminale il comando:

./script_cuneiform.sh /percorso_file/immagine.tif

Al termine verrà creato nella medesima cartella il file immagine.txt.

Sostituire /percorso_file/immagine.tif, con il percorso_file dell'immagine da convertire in file di testo.

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.

Importazione file

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

  2. Avviare la conversione, dal menù File → Esporta

Se si deve convertire un file da scanner, scegliere dal menù File + Importa pagina dallo scanner.
Nel quale dobbiamo importare un file .pdf, dal menù File + Importa PDF.

È possibile modificare le opzioni di conversioni con i menù a destra. In particolare è possibile scegliere un motore di conversione diverso da quello predefinito.

gImageReader

Installare il pacchetto gimagereader.

  1. Avviare l'applicazione gImageReader.

  2. Selezionare il file da convertire.
  3. Avviare la conversione.

YAGF

Installare il pacchetto yagf.

  1. Avviare l'applicazione YAGF.

Ulteriori risorse


CategoryHomepage CategoryNuoviDocumenti