Dotaz: OCR v Linuxu

[kyknos]

Existuje použitelný free SW pro optické rozpoznávání znaků v Linuxu? Zkusil jsem Kooku s OCRAD, ale výsledkem čtení skenu poměrně kvalitního výtisku z inkoustové tiskárny je něco takového:

' och moak, ge òg k míe plílh ohmáv án poutvem rnmg koua o ocanho nadcR. akk o apatkO nâea me étnou o epgmýh ak navza akko kon4kg, oplul wkdy vak v nmuwóA PQkraPova um d a thdy shnìk& vylaO m a uhl Qoaouàl m dgkoae,mì akflPk nPpNe parweaov ğmo, k e, nbmou ,k aanot e lûy KOž 4nu PQ&o ostímou, pokusl no'u naoâní konmku nm pìouven, mným kaunn o cano nad a onïm mpnnQvánm hmec hke po& k mì bokm, rntnu pouv h olokQvt pramu tlu vdum mrm k hmíc,í),

Poradí někdo něco lepšího či nějaký trik v nastavení? Potřebuji něco málo češtiny a hlavně angličtinu.

Odpovědi

[Käyttäjä 11133]

Google ví, napoví.
Klíčová slova: ocr pod linuxem

[Aleš Kapica]

Odpověd je prostá - slabota. Malý zájem o nákup takového software u uživatelů linuxu, takže komerční firmy na linuxové porty celkem kašlou - i když třeba pro Abbyfinereader byl testován nějaký engine.

Pokud jde o free software, tak je asi tato oblast většině linuxových programátorů hodně vzdálená a řada z nich raději programuje variace na stokrát omleté téma (viz několikero nadstaveb pro přehrávání audia a videa).

Osobně si dovedu představit aplikace které z hlediska programátora vděčné nejsou nicméně by mohly být hodně revoluční v oblasti kancelářského software. Kvalitní OCR kombinované s aplikací pro tvorbu DJVU dokumentů.

[kyknos]

Jo, asi by to bylo užitečnější než JXP commander...

[Käyttäjä 11133]

A asi taky n-násobně šložitější, kde n="hodně velké číslo".

[Aleš Kapica]

Kdybych zvládal programování na vyšší úrovni než nějaké ty skriptíky, tak bych se toho ujal, ale bohužel. Programování v C++ je pro mě tak trochu jungle.

[happy barney]

ono je to viac o teorii ako o schopnostiach programovania v niektorom jazyku

[Kyosuke]

Rozpoznávání čehokoliv je úplně jiný kalibr než nějaký „fajlkomendr“. Si jen vezmi, že třeba na VŠ tě k tomuhle naučí tak akorát úplné základy. A vůbec nejde o C++.

[kyknos]

No při použití toho GOCR doporučeného v odkazu jsem dostal sice něco mnohem lepšího než z OCRAD, lze rozpoznat jistou podobnost s originálním textem, ale pořád je rychlejší přepsat to ručně než opravovat výsledek z GOCR :(

[kilinux]

Z linuxovych OCR leze jenom tahle hatmatilka...Protoze pouzitelny linuxovy OCR (zatim) neni. Prakticky pouzitelny OCR program, ktery jsem uspesne pouzival na cestinu, byl ABBY Finereader. Ten je ovsem pro windows...

[Ctirad Feřtr]

Finereader engine je i pro linux, ale chybí tomu UI a je potřeba si to koupit za peníze.

[Vlastimil Ott]

Nemáte ten papír obráceně?

Jinak: http://www.linuxexpres.cz/skenovani-je-radost

[kyknos]

Ne to vážně nemám :)

[NbS]

tak mas neco blbe me to zobrazuje presne tak jako na tom screenu na linux expresu :) max. tak s 20chybami na A4

[baltazar2]

Naprosto spickovy je komercni OCR pro Linux, ktery najdete zde:

http://www.vividata.com/index.html

Ma to command-line rozhrani a umi to spoustu pokrocilych veci, napr. delat z bitmapovych PDF indexovana PDF (kde pod bitmapou je vrstva textu, takze se da vyhledavat).

Zkuste trial verzi, uvidite, ze se vysledek s gocr neda srovnat. Pak se ovsem podivate na cenik a zjistite, ze si to v tomto zivote nekoupite (a pokud nepracujete pro hodne velkou firmu, tak nejspis ani vas zamestnavatel). Z toho uz si pak vyvodte dusledky jake chcete. (Hint: "nahradte" proces vvlicense, poslouchajici na portu 10102; na zbytek prijde asi kazdy, kdo umi pracovat s strace).

[Kyosuke]

Můžeme se na něj složit a nainstalovat to na server, na kterém bude SSH, ne?

[Max]

Dřív jsem tahal titulky z DVDček a na netu jsem našel stránky nějakýho chlapa, co se tím zabýval a měl na to svůj vlastní soft, myslím, že to měl napsaný asi v pythonu. Jako fakt dsrný, ale byl to ten nej free soft na tahání těch titulků do textu. Bohužel si už nevzpomínám na stránky projektu a ani na projekt jako takový :(. OCR pod linuxem je fakt slabota, jedna z mála věcí (GPL věcí), která stále chybí :(
Zdar Max

[Rezza]

Tak cumim do zdrojaku ocrad a podle nich by mel umet rozpoznat ruzne znaky s hacky, ale at se snazim, jak se snazim, tak nic... Pac vubec nepozna hacek jako hacek... Tak se v tom zacinam hrabat, jen na tom mojem stroji co ted mam je C++ neuveritelneeeee pomaleeee...

Horsi je, ze ocrad ma znaky primo zadratovane natvrdo ve zdrojaku, tak se neda ani naucit...

Ale rozhodne me to bavi vic nez doplnovat miliardu pismenek i kdyz pres ispell:)

[Pavel Kysilka]

zdravim,

no, to jste dospel k zaveru, co ja s jorc (gocr). bohuzel zadratovana aplikacni logika v aplikaci je mnohdy smrt techto projektu. dal to uz nevyroste.

co jsem koukal na gocr, tak dodelat heuristiku na hacek nad d,t,n uz je vcelku prusvih. i kdyz je to obracena carka. najednou uz to je nepresne a musite dost kodit.

osobne ma podle me smysl dela ocr na -nixech timto stylem:

rozlis nejak radky - vem pismeno - porovnej to s fonty dodanymi z xfont-serveru - a to, co je nepravdepodobnejsi uznej jako vysledne pismeno.

pripadne nainstaluj dalsi fonty a zpet na stromy.

ani bych to moc neucil. ty data jiz jsou. pripadne stahnout svg data z unicode.org ci odkud. prusvih jsou arabske a jine cajove fonty.

jenomze, pokud maji ocr fungovat a prezit v teto dobe, tak pro uzivatele jsou dulezite struktury dat a nejaka metadata. tedy tabulky, obrazky, oramovani. a idealne to cpat do nejakych struktur. ne -li z toho tvorit nejake standart dokumenty typu oasis document.

cim by se dalo vitezit, je porovnavat 2 formulare ci stejne subjekty a ziskavat tak metadata.

ocr je vcelku zajimavy byznys. premyslel jsem o tom. i kdyz casem to spise bude o rozpoznavani digitalnich dat typu prevazne text.

dalsi namet by mozna mohly byt programy pro nevidome anebo aplikace na automaticke testovani desktop veci. kdyz vidim, co se vsechno dava za balast na www stranky, tak uz vcelku uvazuju o vlastni desktop aplikacce na cteni, toho, co chci ja a udelat z www stranky webovou sluzbu. a pouze definovat cesty, co odkud brat.

pokud by se to melo delat komercne, tak od x-1000 stranek mesicne, by se platilo za stranku, a ne za aplikaci. coz uzivateli s naskenovanou knizkou asi nebude vadit, ale firma to cvakne velmi rada. nebo pronajem vypocetniho vykonu na oplatku.

ale toto moje postrehy za posledni roky. najednu stranu zajimava uloha. protoze kodeni na relacnich strukturach zacina byt pro me uz vcelku nuda. je otazkou, do ceho se pustit dale.

bye gf

goldenfish at bsys dot cz

[Rezza]

Tak ale porad ocrad lepsi vysledek nez gocr a to i gocr s ucenim... Ted do toho ocrad si pridavam nejake ladici vypisy, abych se aspon zorientoval a co tam vlastne go a bud na neco prijdu nebo to smaznu a bude to ;) Ale i brutalni hack pouze na cestinu by byl uspech... A kdyz tak premyslim, co si vybrat za tema na diplomku :))) Speech@FIT dela best soft na rozpoznavani mluvenych jazyku na svete, tak proc ne i best OCR *JOKINGLY*

[Rezza]

Tak uz jsem do ocrad dostal "ř" a "č"... Jen nevim proc nejede "š" a "ž", které tam už bylo :)

[Rezza]

Kodovani...

[Pavel Kysilka]

zdravim,

premyslel jsem v nekurackych vlacich CD dneska o tom, co jsme tu probirali, kdyz jsem jel vyrizovat pas. dam vam 4 odpovedivi dvou.

ocr - bud lidi budou potrebovat strukturovat dokumenty a mit v tom poradek + nejaka efektivita a produktivita prace. tudiz ocr bude prinosem. vzhledem k tomu, ze papir se v nasi bananove republice hojne pouziva i jako dulezity informacni prostredek, tak digitalizace bude mit budoucnost.

zvuk - vo bude mit mozna budoucnost je rozpoznavani hlasu. ze jsou ve firmach telefonni ustredny, to je asi znamo a ze to vse nahrava a nahrava, to taky. a bonzovat se v teto republice asi bude. to je klasika. takze i toto ma budoucnost.

add ocr a rychlost: chcete -li zvitezit co se tyce ocr, tak vemte jedinecna pismena obsahu na vyhodnoceni v zakladni versi. zbytek namapujte do nejakeho seznamu. tyto vyhodnotte a je vyhrano. podle me stejnym zpusobem pujdou komercni ocr. nevim, jak opensource produkty. rychlost asi nebude uplne dobra.

kazdopadne diplomka by podle stare skoly mela odpovidat uplatneni v cilovem oboru.

tak dobrou ruku pri rozhodovani.

bye gf

[Rezza]

Vim jedno IS nechci delat, i kdyz je dela dnes kazdy... Proste me to nebavi, mozna u toho jednou trebas skoncim ale, nikdy nerikej nikdy, i tam se najdou zajimave veci... Takze asi tak... Je tezke si nejak v IT vybrat co by clovek chtel delat za dva tri roky, kdyz v tomto odvetvi se za tu dobu stane a zmeni to co jinde za dve tri desetileti... Jinak prace zatim uspesne pokracuji, ale ocrad je celkem drsne zadratovany vcetne kodovani, takze vysledkem bude asi iso8859-2 only verze a to jeste subset jen na ceske znaky, proste ty nase udelatka...