Tesseract je systém OCR (Optical Character Recognition), jeden z najlepších. Softvér OCR je schopný porozumieť textu z obrázkov a naskenovaných dokumentov (vrátane rukopisu, ak ho trénujete). Systém OCR môže byť užitočný pri mnohých úlohách, ako je počítanie naskenovaných dokumentov, automatický prepis, prevod znakov z obrázka na text a ďalšie.

LinuxHint už publikoval návod, ktorý vysvetľuje, ako nainštalovať a pochopiť školenie spoločnosti Tesseract.

Tento výukový program ukazuje proces inštalácie Tesseractu v systémoch Debian / Ubuntu, ale nerozšíri sa o tréningové funkcie, ak nie ste oboznámení s týmto softvérom, prečítanie spomínaného článku môže byť dobrým úvodom.  Potom vám ukážeme, ako spracovať obrázok GIF pomocou Tesseractu, aby ste z neho dostali text.

Inštalácia Tesseract:

Spustiť:

apt nainštalovať tesseract-ocr

Teraz musíte nainštalovať imagemagick, ktorý je prevádzačom obrázkov.

Po nainštalovaní už môžeme testovať Tesseract, aby som ho otestoval, našiel som gif s licenciou na opätovné použitie.

Teraz sa pozrime, čo sa stane, keď spustíme tesseract na obrázku gif:

tesseract 2002NY40.gif 1výsledok

Teraz urobte „menej“ na 1 výsledok.TXT

menej 1výsledok.TXT

Tu je obrázok s textom:

V tomto prípade sú predvolené nastavenia Tesseractu dosť presné, zvyčajne na získanie takej presnosti je potrebné zaškolenie. Vyskúšajme ďalší bezplatný obrázok, ktorý som našiel na Wiki Commons, po stiahnutí spustiť:

tesseract Actualizar_GNULinux_Terminal_apt-get.gif 2výsledok

Teraz skontrolujte obsah súboru.

menej 2výsledok.TXT

To bol výsledok, zatiaľ čo obsah pôvodného obrázka bol:

Aby sme vylepšili rozpoznávanie znakov, máme veľa možností a krokov, ktoré treba dodržať a ktoré sme podrobne opísali v našom predchádzajúcom výučbe: odstránenie okrajov, odstránenie šumu, optimalizácia veľkosti a rotácia stránky medzi ďalšími funkciami, ako je orezanie.

Pre tento tutoriál použijeme textcleaner, skript vyvinutý Fredom ImageMagick Script.

Stiahnite si skript a spustite:

./ textcleaner -g -e stretch -f 25 -o 10 -s 1
Actualizar_GNULinux_Terminal_apt-get.test gif.gif

Poznámka: pred spustením skriptu mu dajte povolenia na vykonávanie spustením „chmod + x textový čistič”Ako root alebo s sudo predpona.

Kde:

textový čistič: zavolá program

-g: Prevedie obrázok v odtieňoch sivej

-e: enache

-f: filtrovať

-s: sharpamt, množstvo zaostrenia pixelov, ktoré sa má použiť na výsledok.

Informácie a príklady použitia s textovým čističom nájdete na adrese http: // www.fmwconcepts.com / imagemagick / textcleaner / index.php

Ako vidíte, program Textcleaner zmenil farbu pozadia a zvýšil tak kontrast medzi písmom a pozadím.

Ak spustíme tesseract, pravdepodobne bude výsledok iný:

tesseract test.testovací výstup gif

menší testovací výkon

Ako vidíte, výsledok sa skutočne zlepšil, aj keď nie je úplne presný.

Príkaz konvertovať poskytované programom imagemagick nám umožňuje extrahovať rámce z obrázkov gif, aby ich neskôr spracoval Tesseract, je to užitočné, ak sa v rôznych rámcoch obrázka gif nachádza extrahovateľný obsah.

Syntax je jednoduchá:

konvertovať

Výsledok sa vygeneruje ako počet súborov ako rámcov v gife, v uvedenom príklade by boli výsledky: výstup-0.jpg, výstup-1.jpg, výstup-2.jpg, atď.

Potom ich môžete spracovať pomocou programu tesseract a dať mu pokyn na spracovanie všetkých súborov so zástupným znakom a uloženie výsledku do jedného súboru spustením:

pre i vo výstupe *; urobiť tesseract $ i výstupný výsledok; hotový;

Program Imagemagick má obrovskú škálu možností na optimalizáciu obrázkov a neexistuje všeobecný režim, pre každý druh scenára by ste si mali prečítať manuálovú stránku príkazu convert.

Dúfam, že vám tento návod na tému Tesseract vyšiel užitočný.