ฉันมีหน้าหนังสือสแกนหลายพันหน้า แต่ละหน้าจะได้รับการบันทึกเป็น JPG การเขียนมีความชัดเจน แต่แบบอักษรแตกต่างกันไปและหน้าต่างๆจะมีรูปภาพและภาพประกอบ

ฉันต้องการสร้างรายการคำทั้งหมดที่ปรากฏในไฟล์ JPG แต่ละไฟล์ มีเครื่องมือบรรทัดคำสั่งสำหรับสแกนรูปภาพที่แสดงคำที่ปรากฏหรือไม่ ไม่จำเป็นต้องมีการสแกนที่สมบูรณ์แบบเพียงแค่การประมาณการ

tesseractน่าจะเป็นทางออกที่ใช้มากที่สุดที่นี่ มันมีอยู่ในที่เก็บแพคเกจส่วนใหญ่เช่น

sudo apt install tesseract-ocr

และสามารถใช้กับ

tesseract input.png out.txt

ติดตั้งimagemagick, pdftotext(ที่พบในแพคเกจที่มีชื่อpoppler-utilsที่อยู่ในแพคเกจผู้จัดการบางคน) และocrmypdf สิ่งหลังคือสิ่งที่รวดเร็ว (ocr ใช้ cpu จำนวนมากและมีการกำหนดค่าให้ใช้คอร์ทั้งหมดของคุณ), โอเพนซอร์ซและโอเพ่นซอร์สซอฟต์แวร์ OCR วิธีนี้อาจ overkill เพราะจริง ๆ แล้วพยายามกำหนดสายอักขระให้แต่ละคำแทนเพียงแค่ติดป้ายคำ แต่ฉันมีปัญหามากมายในการค้นหาซอฟต์แวร์โอเพ่นซอร์ส OCR ทั่วไปที่ดีและใช้งานง่าย จากนั้นในไดเรกทอรีที่คุณบันทึก JPG ทั้งหมดของคุณ:

$ convert *.jpg pictures.pdf
$ ocrmypdf pictures.pdf scanned.pdf
$ pdftotext scanned.pdf scanned.txt
$ wc -w scanned.txt

ไฟล์ภาพสุดหรู. png ขึ้น 480%, เปลี่ยนเป็น greyscale, backfill ด้วยสีขาว, เพิ่มความคมชัดแล้วแยกโดยใช้ tesseract OCR มันใช้งานได้ดีเกือบตลอดเวลายกเว้นตัวอักษรขนาดใหญ่มากและขาวดำ หากฟอนต์ใหญ่มาก ๆ จะหรูมากเพียง 200% หรือ 300%

 convert -colorspace gray -fill white  -resize 480%  -sharpen 0x1  file.png file.jpg
 tesseract file.jpg file

ผลลัพธ์อยู่ใน file.txt

สำหรับผู้ใช้ linux ไม่มีอะไรทำงานได้ดีเท่ากับการใช้ Caliber ในการแปลงไฟล์ PDF เป็น docx https://calibre-ebook.com/download_linux

TL; DR

for i in /path_to/*.jpg;do ./myocr.sh $i $(basename $i .jpg);done

#!/bin/bash
# PROGRAM=myocr.sh
if [ "$1" ] && [ -e "$1" ]; then
  TMPF=$(mktemp myocr.sh.XXXXXXXX.tif)
  DEST="$2"
  if [ ! "$DEST" ]; then
    DEST="${1%.*}.txt"
    if [ -e "$DEST" ]; then
      echo "$DEST already exists; please provide a new textfile name" >&2
      exit 1
    fi
  fi
  /usr/bin/convert "$1" -colorspace Gray -depth 8 -resample 200x200 -flatten -alpha Off $TMPF \
  && /usr/bin/tesseract $TMPF "$DEST"
  EX=$?
  /bin/rm -f $TMPF
  [ $EX -eq 0 ] && [ "$TERM" ] && echo "created $DEST"
  exit $EX
else
  echo "Usage: $0 imagefile [textfile]" >&2
  echo " creates a plain text file with the text found in imagefile" >&2
  exit 1
fi

ที่มา: https://help.ubuntu.com/community/OCR