Tesseract 1.01. Open Source OCR Engine, vyzkoušeno a dobrý

28.9.2006 12:59 | Přečteno: 5613× | | poslední úprava: 15.4.2007 16:17

Po téměř úplném přechodu na Linux přibližně před rokem jsem přestal používat OCR jelikož jsem na to nenašel žádný použitelný software pro Linux zdarma. Nic z toho co jsem zkoušel nefungovalo. Google nedávno informoval o uvolnění OCR engine Tesseract pod licencí Apache 2.0. Dnešní článek na Newsforge mi to připomněl, tak jsem se rozhodl Tesseract vyzkoušet. Zdrojový kód je ke stažení ze Sourceforge. Kompilace a instalace je snadná a rychlá (Ubuntu 6.06): $ ./configure; make; sudo checkinstall -D. Tesseract však poté nefunguje. Je ještě třeba dát adresář tessdata/ do /usr/local/bin/.

Dal jsem Tesseractu přečíst stránku jednoho článku ve formátu tiff ($ tesseract test.tif test). Ta jedna stránka má 17 MB (scan z kopírky v knihovně) a Tesseract ji přečetl skoro hned. Existuje i skript na převod souborů pro Tesseract. Vzniklý soubor test.txt je minimálně stejně dobrý jako výstupy z různých programů co jsem používal ve Windows (nepamatuju kterých, prostě nějaký shareware). Je tam pár chyb, ale jsem mile překvapen. Zdá se že znovu začnu využívat OCR.

       

Komentáře

[medulin]

A jak je na tom z českými znaky?

[stativ]

Staci si precist ten clanek na linux.com- podpora pro jine nez us-ascii znaky neni.

[frdrx]

Sám jsem na to nepomyslel, protože s češtinou skoro nedělám. Teď jsem to zkusil a, jak jsem očekával, je to špatný. Český znaky zatím nezná.

[Leoš Literák]

Pridej ho prosim do katalogu software ..

[miso]

Hura, konecne!
z toho katalogu mam radost

[Kyosuke]

Hihihi … Těší mně, jmenuju se Google …

[Michal Vyskočil]

Pane Google, proč je Google Web Toolkit zrovna v Javě?

[Kyosuke]

To já nevím, jak je vidět, dělám jim jen tiskového mluvčího … (Něco jako Ústa Sauronova? )

[pasmen]

Me by spis zajimalo, jestli by nekdo nevedel o nejakem software pro linux (at uz placeny nebo free, free radsi :) ktery by umel cist carove kody z naskenovanych dokumentu. Neco jako nemecky DocumentAssembler.