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

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. Clic su File → Aggiungi immagini.

  3. Selezionare l'area testo nell'immagine aperta.
  4. Tasto destro mouse sull'area selezionata, clic su Riconosci.

YAGF

Installare il pacchetto yagf.

Configurazione

  1. Avviare l'applicazione YAGF.

  2. Selezionare il menù Modifica → Impostazioni.

  3. Selezionare la scheda OCR e Linguaggi:

    • Motore OCR: impostare il motore OCR da usare e il percorso di archiviazione

    • Linguaggi riconosciuti: scegliere se usare un singolo linguaggio o più di uno e quali.

  4. Selezionare la scheda Elaborazioni Immagini e configurare come elaborare le immagini.

  5. Selezionare la scheda Apparenza Programma e configurare il linguaggio usato.

  6. Fare clic sul tasto OK.

Caricamento immagini

Sono disponibili tre modalità facendo clic sulle corrispondenti icone:

Elaborare immagine

Selezionare l'icona con scritto ocr in rosso o blu, rispettivamente per riconoscere la singola pagina mostrata o tutte le pagine selezionate.

Salvataggio immagini

Fare clic sull'icona corrispondente.

Per le altre funzioni selezionare il menù Aiuto → Aiuto in linea.

Ulteriori risorse


CategoryHomepage CategoryNuoviDocumenti

ivantu/Ocr_prova (l'ultima modifica è del 29/04/2022 16.04.18, fatta da ivantu)