jak dostat text z fotky

[LUTEC]

Mam ofocenou prirucku a potreboval bych nektere odstavce prekopirovat jako text. Je to mozne nejak uskutecnit? Nemate s tim nekdo zkusenost?

[Rellik]

Mělo by to jít nějakou OCR čtečkou. Otázka ale je, jestli nějaká taková v linuxu existuje. Když sem ještě používal win, tak na to byl supr program Abbyy Fine Reader. Umí dekódovat text i grafiku v podstatě z čehokoliv i když je spíše zaměřen pro práci s PDF.

[antkrc]

Mělo by to jít nějakou OCR čtečkou. Otázka ale je, jestli nějaká taková v linuxu existuje.

V repozitáři Mageii jsem našel gocr a ocrfeeder.

O ocrfeeder je článek na stránce http://www.linuxexpres.cz/software/ocrfeeder-uzitecny-rozpoznavac-textu-ktery-vsak-neumi-cesky
Snad ti to nějak pomůže.

[LUTEC]

Jo diky, ale ocrfeeder jsem nainstaloval a nejde mi spustit.

[Peťoš]

Jo diky, ale ocrfeeder jsem nainstaloval a nejde mi spustit.

Nefunguje mi auto. Neco jsem vymenil. A nefunguje to dal... Myslis, ze vis, co s tim je?
prelozim ti to: jak jsi to nainstaloval, co to pise pri spusteni, neboli JAK to nefunguje? Co vypis z terminalu?

[Peťoš]

Pro LUTECa a jemu podobnym: http://wiki.mageia.cz/wiki:jak_se_ptat_na_foru

[LUTEC]

Nefunguje mi auto. Neco jsem vymenil. A nefunguje to dal... Myslis, ze vis, co s tim je?
prelozim ti to: jak jsi to nainstaloval, co to pise pri spusteni, neboli JAK to nefunguje? Co vypis z terminalu?

Pokud budes mit nekdy opravdu problem s autem, tak ti rad pomohu. Ohledne meho problemu:

Nainstaloval jsem OCRFEEDER z repozitaru a pri spusteni z grafiky mi tam chvili skace ozubene kolecko a nic jineho se nedeje a i to po chvili zmizi a z terminalu mi vyskoci nasledujici hlaska.

[Yullaw]

Ano, potvrzuji také, že z oficiálních zdrojů Mageii 2 se program ocrfeeder-0.7.7-1.mga2.noarch nespustí, výpis z konzole:

Kód: [Vybrat]

[yullaw@localhost ~]$ ocrfeeder

** (process:9219): WARNING **: Trying to register gtype 'GMountMountFlags' as enum when in fact it is of type 'GFlags'

** (process:9219): WARNING **: Trying to register gtype 'GDriveStartFlags' as enum when in fact it is of type 'GFlags'

** (process:9219): WARNING **: Trying to register gtype 'GSocketMsgFlags' as enum when in fact it is of type 'GFlags'
Traceback (most recent call last):
  File "/usr/bin/ocrfeeder", line 31, in <module>
    from ocrfeeder.studio.studioBuilder import Studio
  File "/usr/lib/python2.7/site-packages/ocrfeeder/studio/studioBuilder.py", line 26, in <module>
    import widgetPresenter
  File "/usr/lib/python2.7/site-packages/ocrfeeder/studio/widgetPresenter.py", line 28, in <module>
    from enchant.checker import SpellChecker
ImportError: No module named enchant.checker
[yullaw@localhost ~]$

Řešení je v doinstalováním balíčku python-enchant (pro jistotu zkontrolovat i nainstalovaný balíček python-gtkspell). Po spuštění programu příkazem ocrfeeder již naběhne okno, kde můžete pracovat s dokumenty.

• podpora češtiny pro rozpoznání textu ale bohužel ihned není. To se napraví tak, že musíte stáhnout archiv ces.traineddata.gz, ze kterého soubor ces.traineddata přesunete do adresáře /usr/share/tessdata/. Přejdete do programu → Nástroje → Výkonové programy OCR → Výkonový program je zvolen Tesseract → v Argumenty výkonového programu bude:

Kód: [Vybrat]

$IMAGE $FILE -l ces; cat $FILE.txt; rm $FILE

pak je již podpora češtiny. Co jsem zkoušel, rozpoznání textu není na 100%.

• kontrola pravopisu je provedena automaticky, opravy uděláte tak, že kliknete pravým tlačítkem na slovo označené červenými vlnkami → nahoře v kontextovém menu máte na výběr slovo podobné

Rád bych ještě zde doplnil informaci o dalším programu YAGF, ten ale není v oficiálních repozitářích (ale vím kde ).


EDIT: - doplnění odkazu potřebného archivu ces.traineddata.gz; překlep

[Ivko]

Rád bych ještě zde doplnil informaci o dalším programu YAGF, ten ale není v oficiálních repozitářích (ale vím kde ).

Kde?

[Yullaw]

Kde?

Hledej šmudlo: blogDrake

[LUTEC]

Dekuji za navod uz funguju, ohledne toho programu YAGF, prijde ti lepsi presnejsi?

[Yullaw]

YAGF, prijde ti lepsi presnejsi?

yagf a ocrfeedeer mohou použít výkonový program tesseract či guneiform (ten v repozitářích není dostupný).

Co jsem postřehl při testech (s použitím tesseract):
YAGF:

• - program není v češtině
• - při skenování ze scanneru otevírá další program xsane
• - nemožnost úpravy rozeznaného textu
• + lépe rozeznal text
• + již podporuje češtinu po instalaci

ocrfeeder:

• + program je v češtině
• + skenování ze scanneru je integrované (neotevírá další okna xsane)
• + možnost opravy textu
• - pro rozeznání češtiny je potřeba doinstalovat (manuálně) soubor ces.traineddata

Suma sumárum: z mého hlediska je program ocrfeeder vítězem...

Recenze obou programů najdete v openMagazínu 2012-04 na straně 4 (ocrfeeder) a straně 20 (yagf).

[LUTEC]

Ja za sebe mohu rict, ze s OCRFEEDER jsem zatim spokojen, pouzivam ho na text z naskenovane knihy, ktera neni v prilis dobre kvalite a slova sklada tak s 90% presnosti.

[Yullaw]

ocrfeeder:

• - pro rozeznání češtiny je potřeba doinstalovat (manuálně) soubor ces.traineddata

Pro Mageiu 3 jsou jiz pripraveny balicky tesseractu s cestinou i slovenstinou (a mnoho dalsich jazyku), takze manualni presouvani souboru odpada a vse bude automaticke vyberem

[starsi]

Nainštaloval som OCRFeeder bohužial nešiel spustiť.
dalo mi to tento výpis:

[miro@localhost ~]$ ocrfeeder
Gtk-Message: Failed to load module "canberra-gtk-module"
Traceback (most recent call last):
  File "/usr/bin/ocrfeeder", line 31, in <module>
    from ocrfeeder.studio.studioBuilder import Studio
  File "/usr/lib/python2.7/site-packages/ocrfeeder/studio/studioBuilder.py", line 21, in <module>
    from ocrfeeder.util import lib
  File "/usr/lib/python2.7/site-packages/ocrfeeder/util/lib.py", line 31, in <module>
    from lxml import etree
ImportError: No module named lxml
[miro@localhost ~]$

vôbec neviem čo s tým