OCR w systemach Linux [zamknięte]

Zawsze uważałem, że technologia OCR jest opóźniona w systemach open source. Oglądałem również projekt Ocropus od jego początków . Próbowałem tego, co słyszałem, jest najlepszym silnikiem OCR dostępnym dla Linuksa, Tesseract , i okazało się, że bardzo brakuje mu dokumentów biznesowych. Czy są jeszcze jakieś bardziej obiecujące implementacje OCR? Co z jeszcze bardziej obiecującym celem interpretacji pisma ręcznego? Co jest możliwe w systemach * nix w tej dziedzinie?

Tesseract

Od 2018 roku najlepszym dostępnym oprogramowaniem OCR typu open source jest Tesseract 4 (beta) z nowym modelem OCR sieci neuronowej LSTM . Jego wydajność OCR jest znacznie lepsza niż w poprzednim modelu OCR stosowanym w wersji 3.

Przykład (utwórz plik PDF output.pdfz warstwą tekstową dla zeskanowanego dokumentu niemieckiego):

$ echo page-*.png > input.list
$ tesseract --oem 1 -l deu input.list output pdf

Wydrukuj rozpoznany tekst na standardowe wyjście:

$ tesseract --oem 1 -l deu page page-0001.png stdout

Wyświetl listę zainstalowanych języków:

$ tesseract --list-langs

Obsługa całkiem wielu języków / skryptów jest dostępna w postaci szkolonych zestawów danych do pobrania , np. Istnieje nawet zestaw danych dla Fraktur.

Dzięki nowemu modelowi LSTM Tesseract czerpie inspirację z projektu badawczego OCRopus .

Wersja 3 Tesseract radzi sobie stosunkowo źle nawet w przypadku obrazów wejściowych dobrej jakości, tzn. Często fałszywie wykrywa pojedyncze znaki w pikselach pyłu (poza dowolnym kontekstem tekstowym) i łatwo wprowadza błędy pojedynczych znaków w dobrze znanych słowach.

Klinowy

Wydajność Cuneiform OCR nie jest taka zła, ale nie jest aktywnie utrzymywana (ostatnia wersja w 2011 r., Wersja 1.1) i łatwo ulega awarii i ma kilka innych problemów:

• Błędy segmentacji w różnych pakietach i wersjach
• algorytm układu jest po prostu zepsuty, tzn. w dokumentach zawierających jedną kolumnę akapity są często losowo zmieniane
• nie powoduje błędu w nieznanych opcjach

Możesz wyłączyć algorytm układu w następujący sposób:

$ cuneiform --singlecolumn -l ger -f text -o foo.txt image-0001

( -lokreśla język dokumentu źródłowego)

ocrad

$ ocrad -F utf8 image-0001

Tekst jest drukowany domyślnie na standardowe wyjście.

W dokumencie biznesowym brakowało podkreślonego słowa, w przeciwieństwie do pisma klinowego / tesseract / gocr.

gocr

$ gocr image-0001

Tekst jest drukowany domyślnie na standardowe wyjście.

Sprzęt komputerowy

Sane ma bardzo dobre wsparcie dla wielu skanerów z automatycznym podawaniem dokumentów (ADF), np. Dla skanerów Avision i Fujitsu .

Do Sane dołączony jest scanimageprogram wiersza poleceń, którego można użyć do budowy potoków skanowania za pomocą skryptów (patrz np. Mój adf2pdf.pyskrypt).

Znalazłem podobne pytanie na StackOverflow, a Asprise OCR SDK , jeden z powiązanych komercyjnych produktów, może pochwalić się wersją Linux.

Istnieje kilka popularnych narzędzi wiersza polecenia OCR:

• Tesseract ( ReadMe , FAQ ) (Python)

  Dostępne również dla: Tesseract .NET , Tesseract iOS

  Silnik OCR, który został opracowany w HP Labs w latach 1985-1995 ... a teraz w Google. Tesseract jest prawdopodobnie najdokładniejszym dostępnym silnikiem OCR dostępnym na rynku.

  Stosowanie:

  tesseract [inputFile] [outputFile] [-l optionalLanguageFile] [PathTohOCRConfigFile]
  

  Przykład: Udostępnij istniejący plik PDF do wyszukiwania (OCR) za pomocą wiersza polecenia / skryptu

• GOCR

  Rozpoznawanie znaków typu open source. Konwertuje zeskanowane obrazy tekstu z powrotem na pliki tekstowe. GOCR może być używany z różnymi interfejsami, co bardzo ułatwia przenoszenie do różnych systemów operacyjnych i architektur. Może otwierać wiele różnych formatów obrazu, a jego jakość poprawia się z dnia na dzień.

• OCRopus ™ ( FAQ ) (napisane w Python, NumPy i SciPy)

  System OCR koncentrujący się na wykorzystaniu uczenia maszynowego na dużą skalę do rozwiązywania problemów w analizie dokumentów, obejmujący wtykową analizę układu, wtykowe rozpoznawanie znaków, statystyczne modelowanie języka naturalnego i możliwości wielojęzyczne.

  Silnik OCRopus opiera się na dwóch projektach badawczych: wysoko wydajnym narzędziu do rozpoznawania pisma ręcznego opracowanym w połowie lat 90. i wdrożonym przez biuro US Census oraz nowatorskich, wysokowydajnych metodach analizy układu.

  Program OCRopus jest sponsorowany przez Google i początkowo jest przeznaczony do wysokowydajnych, dużych nakładów na konwersję dokumentów. Oczekujemy, że będzie to również doskonały system OCR do wielu innych zastosowań.

• Tessnet2 (Open source, OCR, Tesseract, .NET, DOTNET, C #, VB.NET, C ++ / CLI)

  Tesseract to silnik OCR typu open source w języku C ++. Tessnet2 to zestaw .NET, który udostępnia bardzo proste metody wykonywania OCR. Tessnet2 jest objęty licencją Apache 2 (jak tesseract), co oznacza, że ​​możesz go używać tak, jak chcesz, zawartego w produktach komercyjnych.

Inne już zasugerowane: ABBYY CLI OCR dla Linux , Asprise OCR .

Czytaj także:

• Wykonywanie OCR przy użyciu narzędzi wiersza poleceń w systemie Linux
• Praca z plikami PDF za pomocą narzędzi wiersza polecenia w systemie Linux

Aby uzyskać bardziej kompletną listę, sprawdź: Lista oprogramowania do optycznego rozpoznawania znaków z Wikipedii.

... OCR to coś więcej niż „tylko rozpoznawanie znaków”. Obsługa obrazów, przetwarzanie wstępne - analiza strony / układu w celu znalezienia tekstów, obrazów, tabel lub kodów kreskowych. Aby rozpoznać, musisz radzić sobie z różnymi czcionkami, rozmiarami i językami. Jest to ważne, ponieważ aby uzyskać dobre wyniki, musisz korzystać ze słowników i definicji języka. Wreszcie ludzie oczekują więcej opcji eksportu niż tekst (np. XML, RTF lub PDF z możliwością wyszukiwania). Istnieje kilka opcji komercyjnych dla zestawów SDK, ale nie są one tanie i bezpłatne.

Ostatnio znalazłem OCR CLI dla Linuksa od ABBYY . Jest darmowa próbna strona 100.

Jeśli masz budżet, zdecydowanie polecam interfejs ABBYY FineReader Engine CLI dla systemu Linux . Nasza firma używa go w naszej aplikacji internetowej od roku i planujemy odnowić licencję. Bardzo dobra jakość rozpoznawania, interfejs wiersza poleceń, rozpoznawanie w wielu językach.