Linuxでの光学式文字認識

はじめに

これは、既存のOCRの単なるレビューではなく（ 3つだけについて説明します）、インストールガイドではありません（インストールについて説明します）。 この記事は、Linuxでロシア語と英語を実際に認識する方法とその方法を理解するために作成されました。

説明されたプロセスの本質を理解するためのいくつかの言葉。
OCR-光学式文字認識。
印刷された文書をデジタル化するには技術が必要です。 自動化の目的でOCRを使用するものもあります（たとえば、キャプチャを認識したり、スパムボットから保護するため）。

LinuxのOCR

繰り返しますが、ここではロシア語を認識するプログラムを検討します。 Linuxでは、ラテン語で動作するように設計されたいくつかのOCRがあります。たとえば、ヘブライ語でのみ動作する特殊な複合体があります。これはすべてこのトピックには当てはまりません。
実際、 Cuneiform 、 Tesseract 、 Finereader Engineの 3つの製品についてのみ説明します。 GUIは最初の2つ用に開発されていますが、それら自体はすべてコンソールインターフェイスのみを提供します。

私はDebian Squeezeを使用しますが、ソースへのリンクを提供し、パッケージのアセンブリについて説明します（ notesalexp.orgのリポジトリまたはディストリビューションのリポジトリを使用できます-アセンブリの例を示します）。
トピックは次の順序で展開されます。

1. OCR for Linux（3エンジン）のインストール、インストール。
2.例によるCLI OCRの比較。
3. OCRのGUI、それらの比較。
4.小規模なテストオンラインOCR。
5.結論といくつかの予測と提案。

Linux用OCRをインストールする

くさび形

ウィキペディアのプロジェクトに関するページ。

宣言された機能：多くの言語のサポート、元の文書の書式設定の保存、txtへの出力、hocr、html、マトリックスプリンターで印刷されたFAXおよびテキストの認識。

LinuxでCuneiformを使用する2つの実際の方法について説明します。ネイティブとWineを使用します（これは必要です。以下を参照してください）。

1.ネイティブ楔形

ランチパッドのセクション
ソースコード

インストールを進めましょう。
ソースをダウンロードして展開します。
さらに、すべてが標準です（ソースを含むreadme.txtを参照）。 ソースがあるディレクトリに移動し、順番に実行します。

mkdir builddir cd builddir cmake -DCMAKE_BUILD_TYPE=debug .. make sudo checkinstall sudo ldconfig 

できた

2. Wineでのインストール。

この方法の利点は、元の機能的なGUIをすぐに取得できることです。 Wineバージョンは重要ではありません（CuneiformはWine 1.0でも動作しました）。 唯一の機能：Wine設定でmsvcrtライブラリの新しい置換を指定する必要があります。
配布物はこのリンクから入手できます。

テッセラクト。

ウィキペディアのプロジェクトに関するページ。
Google Codeのページ。

宣言された機能：多くの言語のサポート、txtおよびhocrへの出力、独自のサンプルを使用したプログラムのトレーニング（これはそのままでは動作しません）、特定のサンプルの構成ファイルの使用。

このReadmeについて簡単かつ自由に説明します。

インストール前の依存関係の解決：

 sudo apt-get install autoconf automake libtool libpng12-dev libjpeg62-dev libtiff4-dev zlib1g-dev 

Tesseractは、1.67以上のlibleptonica-devバージョンにも依存しています。 Squeezeでは、このパッケージは廃止されたため、収集する必要がありました。
ソースコードを取得し、解凍してビルドします。

 ./autobuild ./configure make sudo checkinstall sudo ldconfig 

Tesseractソースを取得し、それらを展開してディレクトリに移動します。
次に行うこと：

 ./autogen.sh ./configure make sudo checkinstall sudo ldconfig 

Tesseractがインストールされます。 言語認識用のパッケージ（ ロシア語と英語）を受け取り、tessdataディレクトリー（デフォルトでは/ usr / local / share / tessdata ）に解凍します。
働くことができます。

FineReader Engine

ここで発表を見れます 。

入手方法 私たちはここに行き、注意深く読んでトライアルを要求します（100回の認識の制限）。 あなたはロシア語で尋ねることができます。

インストールは簡単です： ダウンロードして 、 ルートの下でabbyyocr.runを実行し、テキストの指示に従います。

宣言された機能：多くの言語、さまざまなエンコードのサポート、パスワードの操作、ページ番号、テーブルの認識、バーコード、マトリックスプリンターで印刷されたテキスト、タイプライター、ゴシックフォントなど、txt、rtf、html、xmlへの出力、 xls。

Rubyquet +

CLI OCRについて説明したので、TesseractとCuneiformのCLI Rubyquet +について説明します。
私はそれをテストしませんでした（これを行うことができます）-前述のOCRの同じCLIも独自に利用できます。

CLI OCRの比較

* CLI-コマンドラインインターフェイス-コマンドラインインターフェイス（「コンソール」）。

すぐに警告します。このセクションは非常に膨大です。 不要な詳細や大量の手紙なしでやりたい場合-ネタバレを開かないことをお勧めします。

覚えておいてください：私は比較において絶対に客観的であるふりをしません。 他の結果や他の結論が得られる場合があります。

テストの基準を示します。

もちろん、完全な結果は、すべての文字、書式設定、および図面を100％認識できるはずです。 ただし、実際には、最も一般的なのはテキスト認識です。 ユーザーは、必要な書式設定を実行し、後処理中にテキストを画像で補うことができます。
認識の品質を評価するために、次の基準を紹介します（ただし、基準からは離れます）。

「 間違った単語 」の基準-計算を簡単にするための誤って認識された単語（単語内の1つの誤った文字から完全に単語がなくなるまで）が最も重要な基準です。

「 無効な文字 」基準-最初の基準を適用できない場合に誤って認識された文字（余分な文字、句読点など）。

基準「 書式設定エラー 」-表、図、太字および斜体での記述の定義に関する作業の品質を決定するために使用されます。

各サンプルおよびプログラムについて、正しく認識された単語の割合が計算され、これが基本的な要因になります。 サンプル内の単語数は、Finereaderで認識結果を取得します。

サンプルについて。
私たちが最もよく認識することは何ですか？ スキャナーを通過したドキュメント、またはドキュメントの写真。 当然、品質と解像度が異なります（OCRでは少なくとも300 dpiとしてスキャンすることをお勧めします。200dpi、300 dpi、600dpiでスキャンしたサンプルを比較しましょう。2MPと5MPの品質で撮影した写真を使用します）。 さらに、一部のサンプルには表と写真が含まれます。

私はそれらへのリンクの形で認識可能な画像を提供します（記事に直接存在することは干渉するだけです）。 最初のリンクによる認識結果はGoogleドキュメントで、2番目のリンクは「オリジナル」とマークされ、Dropboxの元の形式で利用できます。

レビューを煩雑にしないために、ソース画像と結果のテキストのパスの代わりに、それぞれINPUTとOUTPUTを記述します。

サンプル番号1（番号付きリスト）。

サンプルNo. 2（スキャンされた英語の教科書）。

サンプルNo. 3（写真付きの英語の教科書）。

サンプルNo. 4（スキャンした画像の表と図の認識）。

サンプルNo. 5（スキャンされた教科書「金属構造」）。

サンプルNo. 6（O'Henryの短編小説のスキャンされたページ）。

サンプルNo. 7（書籍「真実の瞬間」のスキャンされたページ）。

サンプルNo. 8（異なるフォントのパングラム）。

Linux用のGUI。

* GUI-グラフィカルユーザーインターフェイス-グラフィカルインターフェイス（「ウィンドウとボタン」）。

ヤグフ

公式ページ。

ビルドの依存関係： libaspell-devおよびlibqt4-devはバージョン4.5以上。 実行するには、 Qt 4.5とaspellが必要です（ソースに付属のドキュメントを参照）。

インストール（ソースディレクトリで開始）：

 mkdir builddir cd build dir cmake ../ make sudo checkinstall 

Yagfは十分にローカライズされており、クリップボード、ファイル、スキャナーから画像を受け取り、pdfをインポートして、画像の位置合わせを行うことができます。

Yagf設定では、TesseractとCuneiformを切り替えることができます。 Yagfは、バッチ認識（インポートされたすべての画像）または特定のテキスト領域の認識を生成できます。
唯一の重大な欠点は、スキャンエンジンに追加のパラメーターを設定できないことです。 コマンドラインに似ています（以下で説明するOCRFeederにはこの欠点はありません）。

楔形文字

このプロジェクトは、 Altlinuxプロジェクトの一環として、2009年4月にアクティブライフを開始および終了しました。 Cuneiform-Qtは、Cuneiform用のシンプルなGUIを提供します。

このGUIから特別なものを期待していなかったため、 既製のパッケージバージョン0.1.1-1（ソースコード0.1.2の最新バージョン-開発ははるかに進んだ）のインストールに限定することにしました。

ところで、GUIは非常に興味深いことが判明しました。RTFに保存すると、認識されたテキストは1文字の幅の列に何百回も繰り返されるラテン文字のシーケンスに変わりました。 通常のテキストファイルへの保存は正常です。

結論：このGUIは役に立たない。

KBookOCR

これはハブで発表された「Finereader killer」であり、Cuneiformのアドオンです。
著者の公式ブログ。
Deb-.

, KDE. 2.2 Tesseract, .
Kubuntu 12.04 Virtualbox.

2.1 , html . KBookOcr, Yagf, .

: KBookOcr Yagf KDE.

OCRFeeder

GUI Cuneiform, Tesseract OCR, . deb- , .

: Readme 0.3, – 0.7.1. , setup.py . ./confugure
:

 sudo apt-get install python-pygoocanvas ocrad unpaper python-gtkspell python-enchant sane python-imaging-sane 

, :
Your intltool is too old. You need intltool 0.35.0 or later.
intltool-debian : intltool 0.41.

収集するもの：

 ./confugure make sudo checkinstall 

: /, / . : unpaper, ( , ); .

Ocropus

http://code.google.com/p/ocropus/ — GUI, CLI Tesseract.
, , python - :
SyntaxError: invalid syntax
, , , .

gImageReader

GUI Tesseract.
deb- .

gImageReader : , .

Tesseract-gui

.
.
- .

GUI :
GUI ( ).
, GUI OCR Linux . , : Yagf OCRFeeder. , Yagf .
.

online-OCR

online-OCR .
Online OCR , , , : Cuneiform , Tesseract Finereader .
OCR , , .

1. Finereader Online .
finereader.abbyyonline.com/ru
Finereader Engine 9 (, , 10?) , .
10 .

2. New OCR .
www.newocr.com
, .
, Cuneiform Tesseract . , , .

№3, 5

Cuneiform :
0006.cun.newocr.txt
( )

Tesseract :
0006.tes.newocr.txt
( )
- .

№7

Cuneiform :
0014.cun.newocr.txt
( )

, 2 . .

Tesseract :
0014.tes.newocr.txt
( )
6 , — Tesseract . , .

OCR: () ( - ). OCR Finereader'.

おわりに

OCR, .

, FineReader Engine v9.0. , . , 149€ 12000 — ?

OCR: Cuneiform Tesseract — .
, — , , OCR «» .
CuneiformV12, Wine, , Linux.

, 200 dpi — .

GUI Cuneiform Tesseract , .

FineReader - New OCR , OCR , .
( New OCR ).
— OCR ABBYY — GUI.

: OCR , Finereader — -.
OCR — : .

PS — . .