Sapo

Question

Como posso extrair texto de imagens?

Não estou falando de arquivos digitalizados, mas de imagens variadas, como quando você tira uma foto em alta definição de um quadro negro na aula, e ela está bem escrita à mão; ou quando você fotografa uma página de um livro de receitas e deseja a receita em formato de texto.

Algum software livre e aberto para isso?

Tentei o tesseract e os resultados foram terríveis.

Answer 1

tesseract-ocrseria o melhor comparado a todos os outros. Para instalação, execute o comando abaixo

sudo apt-get install tesseract-ocr

O uso é tesseract filename.jpg output.txt, então ele irá gerar output.txto arquivo.

Você pode considerar selecionar o idioma apropriado. Nesse caso, você precisará instalar tesseract-ocr-LANGo pacote, onde LANGestá o código de três letrasCódigo de idioma ISO 639-2. No momento você tem 123 idiomas no repositório 18.04.Então usepor exemplo:

tesseract mySpanishText.jpg output -l spa

Answer 2

O ato de extrair texto de imagens é chamado OCRe o Ubuntu possui uma página wiki dedicada aOCR. Dessa página:

Ferramentas de OCR disponíveis

Os repositórios do Ubuntu Universe contêm as seguintes ferramentas de OCR:

1. gocr- Um OCR de linha de comando
2. confuso- plugin spamassassin para verificar anexos de imagens
3. libhocr0- OCR hebraico
4. ocrad- Programa de reconhecimento óptico de caracteres
5. ocrfeeder- Análise de layout de documentos e sistema de reconhecimento óptico de caracteres
6. polvo- análise de documentos e sistema OCR
7. tesseract-ocr

Os repositórios multiverso do Ubuntu também contêm:

1. cuneiforme- sistema OCR multilíngue

Alguns pacotes estão desatualizados, mas outros não oficiais podem ser encontrados emAlex_P PPA(Código de adição PPA: ppa:alex-p/notesalexp). Se você nunca usou um cheque PPAcomo adicionar software de um PPA.

editar: conforme mostrado no comentárioClara OCRexiste também, mas foi prejudicado por Hardy e seu site foi atualizado em 2009.

Answer 3

Sapo

TentarSapo. Frog é uma ferramenta intuitiva de extração de texto (OCR) para GNOME.

Answer 4

Usando tesseract-ocrpodemos extrairtextodeimagens. Eu testei gocro que não funcionou bem em comparação comtesseract-ocr

Instalação:

sudo apt-get install tesseract-ocr

Pythonprograma para converter todos os arquivos de imagem compngextensão dentro do diretório atual paraTXTarquivo

#!/usr/bin/env python3.10
import os
import subprocess

def list_files(path):
    files = []
    for name in os.listdir(path):
        if os.path.isfile(os.path.join(path, name)):
            files.append(os.path.join(path, name))
    return files

def convertImageToText(img_file):
    #process = subprocess.Popen(['tesseract', img_file,
    #    ''.join(img_file.rsplit('.png', 1))])
    os.system(f"tesseract {img_file} {''.join(img_file.rsplit('.png', 1))}")


def startOperation():
    list_file = list_files(".")
    print(list_file)
    for img_file in list_file:
        if img_file.lower().split(".")[-1] == "png":
            convertImageToText(img_file)

startOperation()