Estrai il testo da un documento scansionato

Esiste un modo per selezionare il testo da un documento acquisito? (l'output è un jpg) Che tipo di strumenti offre Ubuntu per svolgere un simile compito? Esistono librerie che posso usare al posto dei binari software pre-compilati per fare la stessa cosa? Ho provato a convertirlo in un .pdf usando Imagemagick e poi ho cercato di selezionare il testo, che ovviamente non ha funzionato.

Il nome per questo tipo di procedura è OCR (Optical Character Recognition). Quel link offre anche un paio di scelte:

gocr - Un OCR a riga di comando
fuzzyocr - plugin spamassassin per controllare gli allegati delle immagini
libhocr0 - OCR ebraico
ocrad - Programma di riconoscimento ottico dei caratteri
ocrfeeder - Analisi del layout del documento e sistema di riconoscimento ottico dei caratteri
ocropus - analisi dei documenti e sistema OCR
tesseract-ocr
cuneiforme - sistema OCR multilingue 

E suggerisce che Tesseract ( tutorial molto vecchio ) è l'opzione migliore di questi. Quindi provalo.

Qualche tempo fa ha valutato i vari pacchetti OCR in Ubuntu, ha scoperto che Tesseract era il meno male di loro (ma abbastanza male) e ha scritto uno script wrapper per l'OCR (dal momento che Tesseract vuole oscuri formati di input come TIFF). Ecco il mio ~/bin/ocr:

#!/bin/sh
# usage: ocr filename.jpg
if test -z "$1"; then
    echo "usage: ocr filename.jpg [...]"
    echo "needs imagemagick and tesseract-ocr"
    echo "if tesseract fails, check if you've got tesseract-ocr-eng installed"
fi
tmpdir="$(mktemp -d)"
for fn in "$@"; do
  convert "$fn" "$tmpdir/page.tif"
  tesseract "$tmpdir/page.tif" "$tmpdir/page" 2>&1 | grep -v '^Tesseract Open Source OCR Engine$'
  cat "$tmpdir/page.txt"
  cp -i "$tmpdir/page.txt" "${fn%.jpg}.txt"
  rm "$tmpdir/page.tif" "$tmpdir/page.txt"
done
rm -r "$tmpdir"

La preelaborazione delle immagini con GIMP (conversione in bianco e nero mediante lo strumento Soglia) sembrava aiutare molto.

Spero che le cose siano migliorate da allora. Ho visto il nome OCR Feeder nei post di blog di recente, ci proverei.

Il pacchetto Tesseract-ocr è a riga di comando. Se vuoi un programma con una GUI, io uso "gscan2pdf" e puoi trovarlo in Ubuntu Software Center.

In gscan2pdf non devi fare altro che fare clic sulla piccola icona di scansione nella parte superiore. Penso che ti dia due o tre opzioni, GOCR che non è molto buono, e Tesseract che funziona egregiamente. Scegli Tesseract e da questo punto devi fare clic sulla scheda appropriata in modo da poter trovare le impostazioni di risoluzione. La tua scommessa migliore è 300 o anche 600 e Tesseract farà bene.

I documenti scansionati male, storti o vecchi non vengono convertiti bene. In bocca al lupo!

PS .. continuo a leggere che Tesseract può leggere solo immagini TIFF. Questo non è il caso per me. Posso importare anche JPG o PNG.

PPS ... scusate le modifiche! Potresti provare OCRFeeder anche nel centro software. Devo ancora provarlo però.

Ho trovato questo, si chiama Tesseract OCR, spero che possa esserti utile.

http://linuxappfinder.com/package/tesseract-ocr

Ho Linux Mint 17.2 x32 Cannella. Probabilmente questi passaggi funzionerebbero anche in Ubuntu 14.04 x32.

1. Installa Tesseract OCR sudo apt-get install -y tesseract-ocr tesseract-ocr-eng Puoi aggiungere altre lingue installando pacchetti aggiuntivi. Questo screenshot è tratto da synaptic: pacchetti in lingua Tesseract in Synaptic

Usando Tesseract

OPZIONE 1 - dal terminale aperto della riga di comando, quindi vai alla cartella in cui tieni i file di immagine (jpg, png) ed esegui il comando:

a) per convertire tutti i file di immagine in testo

for i in *png; do b=`basename "$i" .png`; tesseract -l eng "$i" "$b" text; done

Per unire tutti i file di testo in uno, eseguire un comando cat *.txt >> all.txt

b) convertire tutti i file di immagine in file hocr (aprire con Firefox)

for i in *png; do b=`basename "$i" .png`; tesseract -l eng "$i" "$b" hocr; done

OPZIONE 2 - dalla GUI

a) Installa gImageReader e usalo

sudo add-apt-repository -y ppa:sandromani/gimagereader
sudo apt-get update
sudo apt-get install -y gimagereader

b) La seconda applicazione è VietOCR. La versione effettiva è 4.0, quindi scarica VietOCR-4.0.zip

Scompatta file e apri VietOCR.jar di Java:

Apri VietOCR di Java Se non hai Java installato, puoi installarlo dal repository o Puoi installare Oracle Java 8. ufficiale Procedura per installare Oracle Java 8 in Ubuntu 14.04

sudo add-apt-repository ppa:webupd8team/java
sudo apt-get update
sudo apt-get install oracle-java8-installer
sudo apt-get install oracle-java8-set-default

Raccomando VietOCR, perché ti consente di OCR file pdf, anche la conversione in blocco è un'opzione.