Linux, OCR a DjVu dokumenty

3.8.2006 15:20 | Přečteno: 3146× | Za vším hledej Linux | | poslední úprava: 3.8.2006 15:22

Není tak dávno co se tady objevila otázka jak je tomu s OCR pod Linuxem. Hrou okolností, jsem se při bádání, jehož výsledkem byly mé poslední příspěvky téma DjVu (Použití DjVu pro skladování elektronické dokumentace a PDF versus DJVU) dostal i k pokusům s OCR.

O možnosti OCR jsem se začal zajímat už docela dávno, ale první použitelný software pro mne byla Recognita 5.0 pro. Což bylo ještě v éře MS Windows 98. S touto aplikací jsem pak začal dělat své první pokusy pod wine. Bohužel dodnes nepříliš úspěšné - viz níže.

Recognitu časem schramstnul Omnipage a totálně ji domršil - o čemž jsem se měl možnost přesvědčit po zakoupení Recognita Omnipage pro 14 cz. Někdo to může vidět jinak, ale k mému znechucení přispěl i fakt že se mi ji nepodařilo rozchodit pod wine.

OCR aplikace pro MS-Windows pod wine

Své pokusy jsem prováděl pod wine verze 9.18.0:

ReadIris 10 pro

Cena: Cena poslední verze ReadIris 11 pro se pohybuje kolem 3 tis. bez DPH (verze corporate 8 tis. bez DPH). Je sice možné stáhnout její demo jenže to je pouze instalátor, který si zbytek dotahá při instalaci, což mi ale pod wine nefunguje.

Pro testování jsem si tedy schrastil několik různých instalací nižší verze 10 pro. První však měla poškozený instalační balík, což se projevilo až při instalaci. Bylo tedy nutné pozabíjet uvízlé procesy a instalaci zopakovat s jiným. Zcela bez problémů to ani pak nebylo. Před spuštěním si aplikace vyžebrala knihovnu MSVCIRT.dll z MS Windows, ale pak jela celkem v poklidu, až na to, že nezobrazuje obsah oken typu "O programu" a tak. Detail.

Výsledky OCR enginu v ReadIris mi přišly subjektivně lepší než u následujících aplikací, takže přes poněkud komplikovanou instalaci bych ho upřednostnil, pokud bych už chtěl používat nějaký software vyloženě pro OCR.

FineReader 8.0 pro

Cena: Aktuální cena se pohybuje kolem hranice necelých 4 tis. bez DPH (verze corporate 8 tis. bez DPH)

U instalace pod wine při některých pokusech dobře nefungoval instalační dialog. (Těžko můžete odsouhlasit licenční ujednání, když ho nevidíte a nevidíte ani žádné tlačítko pro potvrzení volby), ale instalace do čistého wine skrze Total Commander proběhla bez nejmenších problémů, což platí i pro verzi 7.0

FineReader 7.0 pro

Jsem se pokoušel instalovat především z toho důvodu, že na internetu se vyskytuje utilita, která by měla umět "kuchat" texty do formátu vhodného pro import do DjVu dokumentů přímo z z interních souborů Finereaderu a to verze 5.0 až 7.0. Kdysi jsem Finereader 5.0 pod wine zkoušel a co si vzpomínám, fungoval docela dobře. Bohužel už dávno zmizel v propadlišti času.

K vyzkoušení výše zmíněné utility jsem se ale nedostal, protože mi výsledek OCR nepřicházel moc uspokojivý, podobně jako u aplikace JRPublisher 2.0. viz níže

Poznámka: Do verze 7.0 kterou jsem měl k dispozici bylo nutno češtinu doinstalovat.

Recognita Omnipage 14 cz

Její instalaci jsem si bohužel musel odpustit, ačkoliv ji máme legálně zakoupenou, nemohu totiž zaboha najít instalačky, a když jsem se ji pokoušel rozběhnout z již jednou instalované staré zálohy, tak ve mě zůstala stejná pachut jako tenkrát, když jsem se to pokoušel pod wine instalovat prvně. Instalace totiž vyžaduje jakousi microsoftí komponentu, bez které končí.

Cena: Aktuální cena se pohybuje kolem hranice 3 tis. bez DPH (verze full cz stojí 19 tis. bez DPH)

Poznámka: Navzdory nostalgii vůči Recognitě, jakmile uslyšíte Omnipage berte nohy na ramena. Jsou to vyhozené prachy a dodnes se buším do hlavy že jsem si ten soft vyžebral.

Recognita 5.0

Hned úvodem je třeba říct že pod mou instalací wine nefunguje tak jak by měla. Instalace proběhne, aplikace se spustí, pracuje s již vytvořenými rcd dokumenty, ovšem při pokusu o načtení nového obrázku ke zpracování se zhroutí. Pro mé účely to však stačí, mám v rcd dokumentech uloženo několik věcí, které jsem si takto zaarchivoval pro pozdější zpracování.

OCR engine a aplikace pro zpracování DjVu dokumentů

Z komerčních aplikací je ke stažení Document Express Enterprise od LizardTechu. Ačkoliv uvádějí že má jít o demo verze 6.0 jde ve skutečnosti o trial verzi 5.1 a pro její aktivaci je nutné sériové číslo, které automaticky posílají e-mailem. LizardTech používá pro OCR engine ReadIris. Můj subjektivní závěr po uskutečněných pokusech je, že má mnohem lepší výsledky než engine z FineReaderu, který používá JRAPublish 2.0. (Testoval jsem i pod Windows XP). Docela mě to zklamalo, protože Document Express Enterprise od verze 6.0 by měl obsahovat rovněž aplikaci Document Express Editor, která umožnuje další úpravu dokumentů a chtěl jsem ji vyzkoušet. (Alternativní aplikací pod linuxem je djvused z balíku djvulibre). Abych tedy měl možnost posoudit jeho funkčnost, tak jsem se musel poohlédnout jinde.

Na internetu lze nalézt jeho předchůdce, aplikaci DjVuSolo 3.1 - bohužel, ta ještě nespolupracovala s OCR. Dohrabal jsem se také k verzi Document Express Editor 4.1 pro, ta ale neměla OCR engine a stejně nešla rozchodit. Tak jsem šel dál. Document Express Editor 5.1 mě nadchnul a 6.1 je už fakt dobrá aplikace. Použitý OCR engine je sice starší (obě verze užívají týž), ale editor má rozšířenou funkčnost o některé další prvky. Pokud jde o cenu za jakou lze legálně opatřit tento software opatřit, našel jsem přehledný ceník jednom polském webu a suma je to pěkně mastná. Nicméně, porovnám-li to s částkami za které se u nás nakupují mnohem větší kraviny.. tak mi přijde docela přiměřená.

Další komerční aplikací pro zpracování DjVu dokumentů, která používá OCR engine z FineReaderu 7.0 je JRAPublish 2.0. Bohužel na rozdíl od výše uvedené aplikace od LizardTechu končí pokusy o spuštění pod wine chybovou hláškou a tudíž nefunguje.

Opensource nástroje a DjVu

Kdo podléhal panice pod dojmem že solidní software je pouze za prachy a už lovil v portmonce, nechť stáhne ruku zpět. Teda pokud přistoupí na fakt že něco za něco platí všude.

Balík djvulibre se stále vyvíjí a záleží jen na vás jestli se objeví nástroj podobný jako Document Express Editor i pod GPL - bylo by to určitě užitečnější než vyvíjet tisícistoprvní připitomělý manažer souborů.

Při mém posledním testování gocru z CVS archívu jsem zjistil, že se zlepšila jeho možnost učení, přestal mít problémy s diakritikou a - to nejlepší nakonec - začal produkovat i XML soubor který v sobě obsahuje vše potřebné pro to, aby jej bylo možno libovolným XSLT parserem zpracovat do DjVuXML a vložit do DjVu dokumentu přes djvuparser

       

Komentáře

[JD]

Skvělý příspěvek, díky!

[helb]

Někde mám (originální :) ) disketu s Recognita 1.0 ... Až bude někdy trošku víc času, namontuju (a namountuju :) ) FDD mechaniku a zkusím to rozjet ve wine...

[regine]

Koupil jsem skener Umax Astra s Recognita pro Win98 (boundle v ceně) a mohu říci, že proti placené verzi neuměla jen tabulky do MS-Excel a MS-Word. Dodnes užívám v plné spokojenosti.