linux-intelligent-ocr-solution

отказ от ответственности - я тесно связан с разработкой этого решения с открытым исходным кодом

Lios может преобразовывать печать в текст с помощью сканера или камеры.

Он также может создавать текст из отсканированных изображений из других источников, таких как PDF, изображение или папка, содержащая изображения.

Программа сделана полностью доступной для слабовидящих.

Поскольку я тесно связан, я хотел бы получить отзывы.

• Сайт на Sourceforge
• Исходный код
• Форум

Есть несколько популярных инструментов командной строки OCR, которые вы можете использовать (я не уверен, есть ли у них графический интерфейс):

• Tesseract ( ReadMe , FAQ ) (Python)

  Также доступно для: Tesseract .NET , Tesseract iOS

  Механизм распознавания текста, разработанный в HP. Лаборатории с 1985 по 1995 год ... а теперь в Google. Tesseract, вероятно, самый точный открытый исходный код Доступен механизм OCR.

  Использование:

   tesseract [inputFile] [outputFile] [-l optionalLanguageFile] [PathTohOCRConfigFile]
   

• GOCR

  Распознавание символов с открытым исходным кодом. Он конвертирует отсканированные изображения текста вернуться к текстовым файлам. GOCR можно использовать с разными интерфейсами, которые упрощает перенос на разные ОС и архитектуры. Оно может открывать множество различных форматов изображений, и их качество улучшается ежедневно.

• OCRopus ™ ( FAQ ) (написано на Python, NumPy и SciPy)

  Система распознавания текста с упором на использование крупномасштабное машинное обучение для решения проблем в документе анализ, включающий подключаемый анализ макета, подключаемое распознавание символов, статистическое моделирование естественного языка и многоязычные возможности.

  Механизм OCRopus основан на двух исследовательских проектах: высокопроизводительный распознаватель почерка, разработанный в середине 90-х и развернутый бюро переписи населения США, и новый высокопроизводительный макет методы анализа.

  OCRopus разрабатывается при поддержке Google и изначально предназначен для высокопроизводительного преобразования больших объемов документов. Мы ожидаем, что это также будет отличная система распознавания текста для многих других

• Tessnet2 (Открытый исходный код, OCR, Tesseract, .NET, DOTNET, C #, VB.NET, C ++ / CLI)

  Tesseract - это движок OCR с открытым исходным кодом C ++. Tessnet2 - это сборка .NET которые предоставляют очень простые методы для распознавания текста. Tessnet2 находится под лицензией Apache 2 (например, tesseract), что означает, что вы можете использовать его как хотите, включенный в коммерческие продукты.

Некоторые другие: ABBYY CLI OCR для Linux , Asprise OCR

] Более полный список см. В: Список программ оптического распознавания символов в Википедии

См. Также: wanghaisheng / awesome-ocr - тщательно подобранный список перспективных ресурсов OCR на GitHub.

gscan2pdf включает в себя 3 различных движка ocr. Вы можете сканировать прямо в программу или импортировать свой pdf в программу. Я обнаружил, что движок Tesseract отлично работает и очень прост в использовании

Gscan2PDF

Распознавание текста в многостраничных PDF-файлах или отсканированных документах

Это, вероятно, самый простой способ. Gscan2pdf - это графический инструмент, который позволяет не только сканировать файлы, но также импортировать файлы и выполнять для них распознавание текста. Установите gscan2pdf отсюда , из Центра программного обеспечения Ubuntu или запустите эту команду в терминале:

sudo apt-get install gscan2pdf

• Запустите gscan2pdf
• Импортируйте pdf (Ctrl + O)
• Необязательно: Инструменты> Очистить
• Выберите Инструменты> Сохранить оптическое распознавание текста (Ctrl + S)

Gscan2PDF может использовать настраиваемые механизмы распознавания текста, по умолчанию tesseract-ocr

Вы можете рассмотреть возможность выбора соответствующего языка. В этом случае вам нужно будет установить пакет tesseract-ocr-LANG , где LANG - это трехбуквенный код языка ISO 639-2. Прямо сейчас у вас 108 языков в репозитории 16.04.

• Источник

Я только что добился успеха (до 16.04) с pdfocr.rb . Он указан на вики Ubuntu

Вот ppa , но репозиторий для 16.04 не обновляется. Приведенный выше скрипт ruby ​​из github все еще работает с 16.04.

Вы можете скачать его с Github. Вам потребуется установить следующие пакеты:

ruby tesseract-ocr pdftk exactimage

затем сделать pdfocr.rb исполняемым и запустить:

./pdfocf.rb -i source.pdf -o output.pdf

При желании вы можете использовать параметр -l LANG . В этом случае вам нужно будет установить пакет tesseract-ocr-LANG , где LANG - это трехбуквенный ISO 639-2 языковой код. Сейчас у вас 108 языков в репо 16.04.

Лучший и самый простой способ - использовать pypdfocr , он не меняет pdf. pypdfocr - это ссылка на модуль Python здесь.

pypdfocr your_document.pdf

В конце у вас будет еще один your_document_ocr.pdf в том виде, в каком вы хотите, с текстом с возможностью поиска. Приложение не меняет качество изображения. Немного увеличивает размер файла, добавляя наложенный текст.

Я думаю, что команда довольно проста и не требует графического интерфейса. Возможно, установка pypdfocr более подробна:

sudo apt install tesseract-ocr 
pip install pypdfocr 

Обновление от 3 ноября 2018 г .:

pypdfocr больше не поддерживается с 2016 г., и я заметил некоторые проблемы из-за отсутствия наставничества. ocrmypdf ( модуль выполняет аналогичную работу и может использоваться следующим образом:

ocrmypdf in.pdf out.pdf

Для установки:

pip install ocrmypdf

или

apt install ocrmypdf

Просто потому, что он работает очень хорошо и обязательно должен быть в списке:

gimageReader
Пример из снимок экрана:

Он есть в репозиториях (ответ был дан 18.10, но уже давно его использую)