Tesseract-ocr: trasformare in documenti editabili le immagini acquisite su Linux

Tesseract-ocr: come trasformare in testo editabile i documenti acquisiti tramite scanner su Ubuntu o Debian, Articolo originale di Gabriele, pubblicato su Gmstyle.

Ho appreso, dalle richieste pervenutemi via email, che alcuni dei miei lettori utilizzano Ubuntu (o Linux in generale) per lavorare ed occuparsi di grafica o editoria, chi per professione e chi per hobby. Prendo spunto proprio dalla richiesta di un caro ed affezionato utente di questo piccolo spazio web, che ringrazio per l’input fornitomi, per fare un pò di chiarezza su di un argomento che, da quanto mi è parso capire durante le mie ricerche su internet, sembra aver creato qualche difficoltà di applicazione.

L’argomento in questione riguarda la tecnologia OCR (Optical Character Recognition) e cioè quella “tecnica” che permette di riconoscere caratteri testuali, per poi rendere tale testo editabile, partendo da immagini di documenti cartacei, precedentemente digitalizzati attraverso lo scanner.

In parole povere, utilizzando il programma Tesseract-ocr (che sfrutta questa tecnologia), se prendiamo un ritaglio di giornale e lo scansioniamo per mezzo del nostro scanner, ne ricaviamo un file immagine (jpeg,tiff, etc etc…) dal quale possiamo estrapolarne il testo e salvarlo come un normale documento txt da modificare, successivamente, a nostro piacimento o secondo il nostro scopo.

Sperando di fare cosa gradita, ho cercato di giungere ad una procedura quanto più semplice e meno invasiva possibile, attingendo da un pò di materiale presente sul web, per permettere a tutti gli interessati all’argomento di poter fare con Ubuntu o Linux quello che ancora li tiene legati a Windows.

In questa piccola guida, per raggiungere il nostro scopo su Ubuntu 10.10, utilizzeremo, oltre a Tesseract-ocr e a gImageReader, anche il programma Xsane, che ci servirà per effettuare la scansione dei documenti.

1– Avviamo il gestore pacchetti e selezioniamo ed installiamo il software necessario di seguito elencato:

tesseract-ocr tesseract-ocr-ita imagemagick xsane

2– Ora è il momento di installare l’interfaccia grafica GUI per poter utilizzare Tesseract in maniera semplice ed intuitiva: gImageReader. Lo scarichiamo da questo link. Si tratta di un pacchetto .deb quindi lo installiamo semplicemente cliccandoci sopra. Dopo l’installazione troveremo l’icona in APPLICAZIONI>GRAFICA.

3– Adesso che abbiamo tutto il software che ci serve, passiamo alla pratica e quindi al procedimento vero e proprio.
Avviamo Xsane, sempre da APPLICAZIONI>GRAFICA, attendiamo che riconosca il nostro scanner e procediamo alla configurazione del programma prima di effettuare la scansione. Bisogna settare il tutto in modo tale da permettere una scannerizzazione quanto più precisa possibile del documento. I parametri da inserire su Xsane sono questi che vedete nella figura sottostante:

In questo modo abbiamo impostato:

a- la cartella di destinazione ed il nome del file immagine (la mia home in questo caso ed il file che otterremo si chiamerà out.tif)

b- .TIFF come estensione dell’immagine (questo formato è quello che garantisce la miglior qualità rispetto agli altri jpg, jpeg o png)

c- BINARIO è il parametro che sta a significare che l’iimagine del documento sarà resa in BIANCO&NERO. Questo è un passaggio FONDAMENTALE AFFINCHÈ TESSERACT POSSA RICONOSCERE TUTTO IL TESTO DIGITALIZZATO.

d- 1200 dpi come risoluzione. Il valore sotto il quale consiglio di NON scendere, secondo i miei test, causa il mancato riconoscimento totale o parziale testo, è 600 dpi.

4- Ora che il tutto è configurato per bene, clicchiamo su “Acquisisci” ed attendiamo la fine del processo che si concluderà con il salvataggio dell’immagine out.tiff nella cartella di destinazione che abbiamo indicato in precedenza (Home in questo caso)

5- Adesso che abbiamo ottenuto il nostro documento digitale, dobbiamo avviare Tesseract, attraverso gImageReader, per poter effettuare la SEMPLICE procedura OCR. Andiamo in APPLICAZIONI>GRAFICA e lanciamo il programma.

L’interfaccia è, come ho già detto, veramente molto intuitiva e semplice da utilizzare. Basterà, infatti, cliccare su “Apri immagini” per aprire il file out.tif, creato in precedenza, e poi cliccare su “Riconoscere tutto” per iniziare il processo OCR, ed aspettare che finisca. Al termine, come vedete nella schermata sottostante, comparirà sulla destra, sotto forma di testo, il contenuto del file out.tif

Qualora volessimo ottenere soltanto una parte del testo del nostro documento, basta zoomare sull’immagine e selezionare l’area di nostro interesse.

Terminata la procedura, salviamo il tutto come file di testo e chiudiamo il programma.

CONCLUSIONI

I test da me effettuati mi hanno restituito dei risultati positivi, ma il dato emerso durante le prove riguarda la risoluzione del file immagine ottenuto: MAGGIORE È LA QUALITÀ CHE SI PUÒ OTTENERE DAL PROPRIO SCANNER DURANTE LA SCANSIONE DEI DOCUMENTI, ALTRETTANTO MINORI SARANNO I MARGINI DI ERRORE DEL TESTO OTTENUTO.

NOTA IMPORTANTE- se il file .TIFF non viene riconosciuto all’apertura da gImagereader, modifichiamolo in .TIF (quindi con una sola F) ed il problema è risolto.

FONTI:

http://linux.collectiontricks.it/wiki/OCR_con_tesseract_in_XSane
http://gimagereader.sourceforge.net/
http://doc.ubuntu-fr.org/xsane2tess

Popular Posts:

None Found