Dotaz: OCR

[juvi]

Zdravím, hledám nějaký OCR a našel jsem info, že slušně fungovalo Cuneiform. Ovšem (prohlídkou webu) mám dojem, že dnes to asi na Linuxu moc nejede a openocr.org se mi jeví poněkud mrtvé. Provozujete to někdo? Gocr moc slavné není, potřeboval bych něco lepšího.

Odpovědi

[onno]

yagf jako frontent pro cuneiform a tesseract.

[Luboš Doležel (Doli)]

Z mých zkušeností byl Tesseract vždy nejlepší. Cuneiform měl horší výsledky a ještě mi zahazoval diakritiku (ale to možná byla moje chyba).

[onno]

ano, také mám lepší zkušenosti s Tesseractem.

[Radun]

Problémy s češtinou u cuneiform v mém případě zmizely po vlastním překladu s patchem (na stránkách projektu), který řeší Bug #978183 .

[Radovan Garabík]

ABBYY finereader. Je to síce platené, ale pomerne dobrý SW.

[mica]

Dovolte, abych vás opravil. Nikoli poměrně dobrý, nýbrž velmi dobrý. K některým skenerům dodávána ořezaná verze (podpora omezeného počtu jazyků, nicméně mně angličtina a čeština bohatě stačí), i ta nicméně funguje velmi dobře.

[Radovan Garabík]

Pomerne, lebo v linuxovej verzii sa nedajú natrénovať vlastné znaky, CLI má pomerne obskurnú voľbu parametrov (záleží na poradí!), nedokumentovane vyrába veľké dočasné súbory v /tmp (takže s tmpfs dopadne niekedy na hubu), nedá sa použiť vlastný spellchecker, nepodporuje SMP atď....

Windows verzia je na tom lepšie.

[mica]

Linuxovou verzi neznám, používám verzi pro Windows pod Wine a u ní jsem jmenované problémy nezaznamenal, takže moje hodnocení platí pro ni.

[Sandik]

Používám asi deset let starý ABBYY FineReader pro Win přes Wine. Funguje to spolehlivě, jenom mu musím předhodit jako "vstup" nikoli přímo scanner (na tom padá) ale předtím pomocí Gimpu a XSane vytvořené jpg soubory.

[Luboš Doležel (Doli)]

Já jsem zkoušel verzi pro Linux a ten program se mi pořádně ani nespustil a padal.

[Sandik]

Vůbec netuším, to to má i verzi pro Linux. Každopádně Windowsí verze, kterou jsem mimochodem kdysi kdesi získal zdarma, funguje spolehlivě. Poradí si s diakritikou, zvládá i formátované texty (sloupce, obrázky, nadpisy, tučné písmo a kurzivu), je sto schroustat i ne moc dobré fotky z digitálního foťáku. Prostě spokojenost.

[Sandik]

mělo být "že to má", sorry za ten překlep

[Radun]

Celkem dlouho jsem zkoušel cuneiform i tesseract. Tesseract se mi zdál o něco lepší. U cuneiform jsem narazil na dvě chyby, které způsobily ukončení programu s chybou. Došlo k tomu vždy, pokud na stránce nebyl rozpoznán žádný text (např. prázdná stránka - prováděl jsem převod celé knihy automaticky) a pak tehdy, pokud bylo rozlišení větší než 3500px v libovolném směru.

Tesseract má zřejmě o něco lépe vyřešen jakýsi pre-processing, který pomocí nastavení prahových hodnot černé bílé převede obrázek na 1-bit ČB. Pokud jsem totiž podstrčil programu cuneiform obrázek takto upravený pomocí imagemagick, pak byl výsledek slušný (asi stejný jako u tesseract); jinak u obrázeku 8-bit šedé (neupravený, rovnou ze scanneru) dopadlo rozpoznání lépe vždy za použití tesseract.

(Oba programy podporují české znaky.)

Pro jednorázovou akci < 100 stránek je také možné stáhnout demo verzi placeného abbyyocr9. Tento program jsem vyzkoušel a musím potvrdit, že i velmi nekvalitní text ze 100 let starých knih dokázal rozpoznat velmi slušně a přitom si také poradil se stíny, kazy a různými jinými nectnostmi; v tomto případě byl výsledek obou open source programů špatný ( byl jen o něco lepší při pracné úpravě pomocí imagemagick). Jakékoliv upravování obrázku pomocí imagemagick jsem u abbyyocr shledal jako zbytečné nebo horší. Nejlepší výsledek byl vždy rovnou s obrázkem ze scanneru (barevný i čb); program si s tím sám poradil nejlépe. Škoda jen že cena programu je v linux verzi vysoká a lincence je časově nebo od počtu stránek (už nevím přesně) omezená.

Stejně dobré výsledky jako s abbyyocr se mi podařilo dosáhnout také s on-line OCR na www.onlineocr.net ; mám podezření, že jim tam běží stejný program. Pro převod pár stránek běžného textu je to asi nejlepší a nejrychlejší řešení.

[jik]

Díky, tesseract se mi na OpenSUSE 12.3 podařilo nainstalovat. Budu zkoušet.