OCR/pl

Languages:

English  • polski

Podczas poszukiwań swojego drzewa rodzinnego, wielokrotnie będziesz korzystał z książek czy dokumentów państwowych lub innych. Możesz zaoszczędzić sobie długiego i nużącego przepisywania tych tekstów do GRAMPSa jeśli skorzystasz z możliwości, jakie daje optyczne rozpoznawanie obrazów (Wikipedia: OCR).

Poniżej znajdziesz kilka wskazówek, jak postępować z obrazami lub jak skanować dokumenty, aby później skonwertować je na tekst.

Jak to działa?

• Obrazy muszą posiadać duży kontrast (czarny tekst, białe tło oraz dobrą rozdzielczość).
• Program OCR skanuje obraz i używa biblioteki glifów aby wykryć konkretne znaki. Te, które są rozpoznane, są następnie transformowane w odpowiadający im znak/tekst.
• Słowniki są wykorzystywane w celu minimalizacji błędów. Każde zeskanowane słowo jest porównywane do tych obecnych w słowniku w celu określenia, czy faktycznie ono istnieje i w celu minimalizacji błędów.
• Niektóre programy rozpoznają także formatowanie, np pogrubienie, kursywę czy inny rozmiar czcionki.

Użycie OCR wraz z GRAMPSem

Nie ma niestety wiele programów OCR na licencji open-source do rozpoznawania tekstu, i większość z nich używa tego samego silnika. Dla Intelligent Word Recognition (IWR) lub Intelligent Character Recognition (ICR), używany dla pisanych certyfikatów, są jeszcze rzadsze.

Możesz używać niektórych z tych programów równolegle z GRAMPSem. Dla narzędzi typu backend, tylko programy dla linii poleceń są dostępne (użyj -h aby zobaczyć ich opcje), ale na szczęście powstało również kilka wersji GUI:

• Tesseract może być dobrym rozwiązaniem dla anglojęzycznych użytkowników, ale aktualnie rozpoznaje tylko znaki US-ASCII ...
• GOCR/JOCR jest używany przez xsane oraz kooka. Można też generować własne bazy znaków z obrazu za pomocą polecenia:

mkdir ./db
gocr -p ./db/ -m 130 -m 256 certificate.pnm

Skutkować to będzie wyświetleniem pytania o każdy nowo rozpoznany znak jaką wartość posiada (a,b,c...), i będzie generować nowy indeks (db.list) + oraz portable-bitmap (pbm) dla Twoich liter.. Każdy wpis w db.list oznacza jeden plik .pbm i jest połączony do podanej przez ciebie wartości (a, b, c ...)

Ten sposób nie jest jednakże bardzo skutecznym dla tekstu pisanego.

• With Ocrad, wymaga użycia formatu pgm dla pliku.
• Osoby używające KDE mogą prawdopodobnie znać Kooka, standardowe narzędzie skanujące KDE z wbudowaną funkcją OCR (używającą GOCR, Ocrad, które są na licencji OSS, albo komercyjnego KADMOS).

• claraocr wygląda na zdolnego do uczenia. Obsługuje natywnie format PNM plików.

• Również, Conjecture jest narzędziem OCR, które oba rdzenie programów OCR o licencji open-source.

• Gamera Project jest natomiast bardzo obiecująco wyglądającym narzędziem napisanym w pythonie ...

Przykłady i informacje pokrewne

Wydaje się, że najłatwiejszym sposobem będzie użycie kooka albo xsane (np zeskanowanie obrazu i użycie OCR) albo import istniejącego już obrazu do programu kooka i wtedy wykonanie OCR.

Przegląd darmowych programów rozpoznawania tekstu (OCR) dla Linuksa.

Robot skanuje starożytny manuskrypt w 3-D. Również, (w 2007r), grupa studentów i absolwentów z Grecji podjęła studia na Center for Hellenic Studies w Waszyngtonie, D.C., aby stworzyć transkrypcję XML tego tekstu. Ewentualnie, ich praca będzie dostępna dla każdego pod adresem na licencji Creative Commons.

Jak zrobić pełny automatyczny skaner książek przy pomocy klocków LEGO ...