OCR - Versionsgeschichte

Tomm.fa: URL angepasst.

2014-10-10T22:15:37Z

URL angepasst.

Gehrke: Kategorie:Office + interne Verlinkung

2014-04-24T16:57:49Z

Kategorie:Office + interne Verlinkung

Hartmut Krummrei am 23. April 2014 um 17:06 Uhr

2014-04-23T17:06:01Z

Hartmut Krummrei: /* OCR */

2011-03-19T19:26:35Z

‎OCR

Robi: Intern verlinkt, Kategorie

2010-04-01T18:01:01Z

Intern verlinkt, Kategorie

Hartmut Krummrei: Die Seite wurde neu angelegt: „Autor: Hartmut = OCR = Anleitung für OCR mit Xsane Die folgende Lösung ist das Ergebnis harter Arbeit, die auf zweien meiner Rechner einwandfrei funktioniert...“

2010-03-29T20:15:55Z

Die Seite wurde neu angelegt: „Autor: Hartmut = OCR = Anleitung für OCR mit Xsane Die folgende Lösung ist das Ergebnis harter Arbeit, die auf zweien meiner Rechner einwandfrei funktioniert...“

Neue Seite

Autor: Hartmut

= OCR =

Anleitung für OCR mit Xsane

Die folgende Lösung ist das Ergebnis harter Arbeit, die auf zweien meiner Rechner einwandfrei funktioniert. Meine Rechner haben als OS Opensuse 11.1 und KDE 4.3.x

Die OCR-Erkennung kann nur spaltenweise lesen, hängt aber auf Wunsch das Leseergebnis mehrerer Spalten aneinander an. Die Zeichenerkennung funktioniert mit der deutschen Sprache ganz ordentlich, besser als alles andere, was ich bisher probiert habe. Als Lesevorlagen dienten mir Schreibmaschinenseiten und die örtliche Tageszeitung.

Voraussetzung: Xsane und Imagemagic sind installiert und Xsane funktioniert mit dem Scanner. Wenn jemand einen HP-Scanner mit der HPLIP betreibt und Xsane sich weigert: sieh mal bitte in der /etc/sane.d/dll.conf nach, ob das Rautenzeichen vor dem letzten Eintrag "hpaio" weg ist. Wenn nicht, dann entferne es.

Installiert werden muss zusätzlich "tesseract" und "tesseract-data-deu". Das findest Du bei software.opensuse.org. Weil es dort mehrere Versionen gibt, hier der Hinweis, dass ich die Version von dieser Quelle benutze:

download.opensuse.org/repositories/openSUSE:/Factory:/Contrib/openSUSE_11.1[http://download.opensuse.org/repositories/openSUSE:/Factory:/Contrib/openSUSE_11.1]

Ferner gehört das Script "xsane2tess.sh" (unten) ausführbar nach /usr/bin. Falls jemand eine andere Sprache nutzen möchte: in diesem Script ist mit der Option "-l deu" die deutsche Sprache fest eingestellt, das kannst Du ändern.

Du brauchst in Deinem Homeverzeichnis einen Ordner namens "/tmp".

Dann wird Xsane gestartet und eingestellt: In /Einstellungen/Texterkennung muss in die oberste Zeile "/usr/bin/xsane2tess.sh" (ohne Anführungszeichen!), die beiden Optionen "-i" und "-o" bleiben, der Rest muss weg.

Jetzt kannst Du eine Vorschau von einer Zeitungsseite scannen. Dann stellst Du die Scanfläche auf eine Spalte ein, die Scanart auf Strichzeichnung, die Auflösung auf 300dpi und scanst das zum "Betrachter". Dort gehst Du auf /Datei/OCR, wählst einen Dateinamen und OK. Fertig. Wenn alles gut gelaufen ist, steht in der Datei der passende Text. Falls das der Fall ist, killst Du den Betrachter (Bild nicht speichern) und stellst die Scanfläche auf die nächste Spalte ein. Scan sie in dieselbe ! Datei. Allerdings findest Du sie im Dateiauswahlfenster nur, wenn Du als Filter nicht "Bild", sondern "Alle Dateien" einstellst. Falls alles stimmte, dann kannst Du in der Datei den Text beider Spalten untereinander lesen. Kwrite kann Dir mit Strg-A und Strg-J einen Fließtext daraus machen.

Und so weiter ...

----

'''Shellscript xsane2tess.sh'''
<pre>
#!/bin/bash
#
# ###############################################################################
#
# xsane2tess 1.0b
#
# *** tesseract made simple ***
#
# ###############################################################################
#
# xsane2tess is a TesseractOCR wrapper to be able to use tesseract with xsane
# This is a modified version by Hartmut Krummrei 03/2010 with Language in line 77
#
#
TEMP_DIR=~/tmp/ # folder for temporary files (TIFF & tesseract data)
ERRORLOG="xsane2tess.log" # file where STDERR goes

if [[ -z "$1" ]]
then
echo "Usage: $0 [OPTIONS]

xsane2tess converts files to TIF, scans them with TesseractOCR
and outputs the text in a file.

OPTIONS:
-i <file1> define input file (any image-format supported)
-o <file2> define output-file (*.txt)

Progress- & error-messages will be stored in this logfile:
$TEMP_DIR$ERRORLOG

xsane2tess depends on
- ImageMagick http://www.imagemagick.org/
- TesseractOCR http://code.google.com/p/tesseract-ocr/

V1.0b provided by p2pforum.it - http://linux.p2pforum.it

Some coding was stolen from 'ocube'
http://www.geocities.com/thierryguy/ocube.html

"
exit
fi

# get options...
while getopts ":i:o:" OPTION
do
case $OPTION in
i) # input filename (with path)
FILE_PATH="$OPTARG"
;;
o ) # output filename
FILE_OUT="$OPTARG"
;;
esac
done

# redirect STDOUT to FILE_OUT
exec 1>>"$FILE_OUT"

# redirect STDERR to ERRORLOG
exec 2>>$TEMP_DIR$ERRORLOG

# strip path from FILE_PATH, use filename only
#IN_FILE=${FILE_PATH##*/}
IN_FILE=`basename "$FILE_PATH"`

TIF_FILE="$TEMP_DIR""${IN_FILE%.*}".tif
TXT_FILE="$TEMP_DIR""${IN_FILE%.*}"

# converting image into TIFF (ImageMagick)
convert "$FILE_PATH" -compress none "$TIF_FILE" 1>&2

# start OCR (tesseract expands output with *.txt)
tesseract "$TIF_FILE" "$TXT_FILE" -l deu 1>&2

# STDOUT scanned text => FILE_OUT
cat "$TXT_FILE".txt

# delete graphic file after use
rm "$TIF_FILE"

# delete tesseract workfiles
rm "$TXT_FILE".txt

rm "$TXT_FILE".raw

rm "$TXT_FILE".map

#show result
kwrite "$FILE_OUT" &
</pre>

----
Viel Spaß ...

@@ Zeile 13: / Zeile 13: @@
 Tesseract hat inzwischen die Version 3.x und es gibt einer grafische Oberfläche dazu: ''tesseract-gui''.
-Gefunden habe ich die Pakete u.a. hier:
+Gefunden habe ich die Pakete u.a. hier: [http://download.opensuse.org/repositories/home:/Lazy_Kent/openSUSE_13.1/ openSUSE 13.1], [http://download.opensuse.org/repositories/home:/Lazy_Kent/openSUSE_12.3/ openSUSE 12.3]
 Diese Quelle in [[YaST]] einbinden diese Pakete installieren:

@@ Zeile 16: / Zeile 16: @@
 [http://download.opensuse.org/repositories/home:/Lazy_Kent/openSUSE_12.1/]
-Diese Quelle in Yast einbinden diese Pakete installieren:
+Diese Quelle in [[YaST]] einbinden diese Pakete installieren:
      tesseract
@@ Zeile 26: / Zeile 26: @@
 und die Abhängigen natürlich. Danach existiert im Menüpunkt "Grafik" ein passender Eintrag auf die GUI. Hier wählt man oben die Bilddatei(en), klickt darunter diejenige an, die man jetzt lesen möchte und piekt mit der Maus in das Bildfenster. Der Mauszeiger wird im Bildfenster zu einem kleinen Rechteck, nach dem Klick verschwindet das Rechteck und man kann ein Rechteck um den Bereich ziehen, der bearbeitet werden soll. Weiter unten findet sich ein Dropdown-Menü "language", mit dem man nur beim ersten Start die Sprache einstellt. Zuletzt auf den Button "Ausführen" klicken und wenige Sekunden später steht das Ergebnis in einer Datei mit dem 'basename' von oben und der Extension ".txt" dahinter.

@@ Zeile 1: / Zeile 1: @@
 = OCR =
-Anleitung für OCR mit Xsane
+=== Anleitung für OCR ===
-TIF_FILE="$TEMP_DIR""${OUT_FILE%.*}".tif
+Stand von April 2014
-# converting image into TIFF (ImageMagick)
+Die eigentliche Engine zum "Entziffern" von Buchstaben heißt ''tesseract'' und die gibt es schon sehr lange. Der Aufruf erfolgt über die Kommandozeile:
-# start OCR (tesseract expands output with *.txt)
+ tesseract Bilddatei Textdateiname -l sprache
-# STDOUT scanned text => FILE_OUT
+Die vorhandenen Sprachdateien befinden sich im Paket ''traineddata''
-# delete graphic file after use
+Tesseract hat inzwischen die Version 3.x und es gibt einer grafische Oberfläche dazu: ''tesseract-gui''.
-# delete tesseract workfiles
+Gefunden habe ich die Pakete u.a. hier:
-rm "$TXT_FILE".txt
+[http://download.opensuse.org/repositories/home:/Lazy_Kent/openSUSE_12.1/]
-rm "$TXT_FILE".raw
+Diese Quelle in Yast einbinden diese Pakete installieren:
-rm "$TXT_FILE".map
+    tesseract
-#show result
+Und natürlich eine oder mehrere Sprachdatei, z.B.
-----
+    tersseract-traineddata-german
-[[Scanner | Zurück zu Scanner]]
+und die Abhängigen natürlich. Danach existiert im Menüpunkt "Grafik" ein passender Eintrag auf die GUI. Hier wählt man oben die Bilddatei(en), klickt darunter diejenige an, die man jetzt lesen möchte und piekt mit der Maus in das Bildfenster. Der Mauszeiger wird im Bildfenster zu einem kleinen Rechteck, nach dem Klick verschwindet das Rechteck und man kann ein Rechteck um den Bereich ziehen, der bearbeitet werden soll. Weiter unten findet sich ein Dropdown-Menü "language", mit dem man nur beim ersten Start die Sprache einstellt. Zuletzt auf den Button "Ausführen" klicken und wenige Sekunden später steht das Ergebnis in einer Datei mit dem 'basename' von oben und der Extension ".txt" dahinter.

← Nächstältere Version		Version vom 1. April 2010, 18:01 Uhr
Zeile 127:		Zeile 127:
	----		----
	Viel Spaß ...		Viel Spaß ...
		+
		+	[[Scanner \| Zurück zu Scanner]]
		+	[[Category:Scanner]]
		+	[[Category:Scripte]]
		+	[[Category:Shellscripte]]

@@ Zeile 98: / Zeile 98: @@
 #IN_FILE=${FILE_PATH##*/}
 IN_FILE=`basename "$FILE_PATH"`
-TIF_FILE="$TEMP_DIR""${IN_FILE%.*}".tif
+# if the IN_FILE-name is complicated, convert produces waste,
 TXT_FILE="$TEMP_DIR""${IN_FILE%.*}"