Existe alguma maneira de selecionar o texto de um documento digitalizado? (a saída é um jpg) Que tipo de ferramentas o Ubuntu oferece para executar essa tarefa? Existe alguma biblioteca que eu possa usar em vez de binários de software de pré-compilação para fazer a mesma coisa? Tentei convertê-lo para um .pdf usando o Imagemagick e depois tentei selecionar o texto, o que obviamente não funcionou.
Respostas:
O nome para esse tipo de procedimento é OCR (reconhecimento óptico de caracteres). Esse link também oferece algumas opções:
gocr - Um OCR da linha de comando fuzzyocr - plugin spamassassin para verificar anexos de imagem libhocr0 - OCR hebraico ocrad - programa de reconhecimento óptico de caracteres ocrfeeder - Análise de layout de documentos e sistema óptico de reconhecimento de caracteres ocropus - análise de documentos e sistema de OCR tesseract-ocr cuneiforme - sistema OCR multilíngue
E sugere que o Tesseract ( tutorial muito antigo ) é a melhor opção deles. Então dê uma chance.
Há um tempo, avaliamos os vários pacotes de OCR no Ubuntu, descobrimos que o Tesseract era o menos ruim deles (mas ruim o suficiente) e escrevi um script de wrapper para o OCRing (já que o Tesseract deseja formatos de entrada obscuros como o TIFF). Aqui está o meu ~/bin/ocr:
#!/bin/sh
# usage: ocr filename.jpg
if test -z "$1"; then
echo "usage: ocr filename.jpg [...]"
echo "needs imagemagick and tesseract-ocr"
echo "if tesseract fails, check if you've got tesseract-ocr-eng installed"
fi
tmpdir="$(mktemp -d)"
for fn in "$@"; do
convert "$fn" "$tmpdir/page.tif"
tesseract "$tmpdir/page.tif" "$tmpdir/page" 2>&1 | grep -v '^Tesseract Open Source OCR Engine$'
cat "$tmpdir/page.txt"
cp -i "$tmpdir/page.txt" "${fn%.jpg}.txt"
rm "$tmpdir/page.tif" "$tmpdir/page.txt"
done
rm -r "$tmpdir"
O pré-processamento das imagens com o GIMP (conversão para P&B usando a ferramenta Threshold) pareceu ajudar bastante.
Espero que as coisas tenham melhorado desde então. Eu vi o nome OCR Feeder em posts recentemente, eu experimentaria.
O pacote Tesseract-ocr é linha de comando. Se você quer um programa com uma GUI, eu uso "gscan2pdf" e você pode encontrá-lo no Ubuntu Software Center.
No gscan2pdf, tudo o que você precisa fazer é clicar no pequeno ícone de digitalização próximo à parte superior. Eu acho que oferece duas ou três opções: GOCR, que não é muito bom, e Tesseract, que funciona admiravelmente. Escolha Tesseract e, a partir deste ponto, clique na guia apropriada para encontrar as configurações de resolução. Sua melhor aposta é 300 ou mesmo 600 e o Tesseract se sairá bem.
Documentos mal digitalizados, tortos ou antigos não se convertem bem. Boa sorte!
PS .. Continuo lendo que o Tesseract só pode ler imagens TIFF. Este não é o caso para mim. Também posso importar JPG ou PNG.
PPS ... desculpe pelas edições! Você também pode experimentar o OCRFeeder no centro de software. Ainda não tentei.
Achei isso, chamado Tesseract OCR, espero que possa ser útil para você.
Eu tenho o Linux Mint 17.2 x32 Cinnamon. Provavelmente, essas etapas também funcionariam no Ubuntu 14.04 x32.
Usando o Tesseract
OPÇÃO 1 - pelo terminal aberto da linha de comando, vá para a pasta onde você mantém os arquivos de imagem (jpg, png) e execute o comando:
a) converter todos os arquivos de imagem em texto
for i in *png; do b=`basename "$i" .png`; tesseract -l eng "$i" "$b" text; done
Para mesclar todos os arquivos de texto em um, execute um comando cat *.txt >> all.txt
b) converter todos os arquivos de imagem em arquivos hocr (abra com o Firefox)
for i in *png; do b=`basename "$i" .png`; tesseract -l eng "$i" "$b" hocr; done
OPÇÃO 2 - por GUI
a) Instale o gImageReader e use-o
sudo add-apt-repository -y ppa:sandromani/gimagereader
sudo apt-get update
sudo apt-get install -y gimagereader
b) A segunda aplicação é o VietOCR. A versão real é 4.0, então faça o download do VietOCR-4.0.zip
Descompacte os arquivos e abra o VietOCR.jar por Java:
Abra o VietOCR by Java Se você não possui o Java instalado, pode instalá-lo a partir do repositório ou o Oracle Java 8. oficial. Etapas para instalar o Oracle Java 8 no Ubuntu 14.04
sudo add-apt-repository ppa:webupd8team/java
sudo apt-get update
sudo apt-get install oracle-java8-installer
sudo apt-get install oracle-java8-set-default
Eu recomendo o VietOCR, porque permite OCR arquivos PDF, a conversão em massa também é uma opção.