Tag Archives: scanner

Tesseracteando

22 jun

Nossa, há quanto tempo, sempre tive vontade de digitalizar textos, mas nunca realizei devido a qualidade pobre dos resultados no Linux. Isso foi decepcionante. Quando lançaram tesseract eu testei, havia melhorado, mas ainda estava longe do original.

Agora, passados quase uma década vou retentar novamente-te.

Imagino que muitos frontends foram construidos, então vamos testa-los.

Gimagereader

sourceforge.net/projects/gimagereader

Qualidade: Ótima

Requer: aspell

Não reconhece todos os acentos da lingua portuguesa, mas o resultado é muito satisfatório.

Tesseract-gui

http://sourceforge.net/projects/tesseract-gui/

Qualidade: Não Testada

Não gera o resultado.

xsane2tess
Usage: /usr/bin/xsane2tess [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)
-l <lang> define language-data tesseract should use

Progress- & error-messages will be stored in this logfile:
/tmp/xsane2tess.log

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

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

Construido em python é um escript com gui, aqui o erro era por conta do idioma.

Tesseract Open Source OCR Engine
Traceback (most recent call last):
 File "/usr/bin/tesseract-gui.py", line 947, in f_process_img
 print "Language: " + lang
NameError: global name 'lang' is not defined
^CTraceback (most recent call last):
 File "/usr/bin/tesseract-gui.py", line 1919, in <module>
 my_mainwindow.main()
 File "/usr/bin/tesseract-gui.py", line 1853, in main
 gtk.main()

Xsane2tess

http://doc.ubuntu-fr.org/xsane2tess

Qualidade: Não Testada

retorna erro

/usr/bin/xsane2tess: line 63: $FILE_OUT: ambiguous redirect

Tesseract

http://code.google.com/p/tesseract-ocr/

Chega, vamos ao modo manual.

tesseract
Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]</pre>
pagesegmode values are:
0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.
-l lang and/or -psm pagesegmode must occur before anyconfigfile.
<pre>

A linha de comando para gerar um texto

tesseract <image.tif> <output> [-l <langid>]

Alguns scripts preferem tiff, então estou usando ele como padrão.

Da para testar com pdf

Anúncios