Différences
Ci-dessous, les différences entre deux révisions de la page.
| Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente | ||
|
tesseract-ocr [Le 16/05/2009, 20:16] Sorbus ajout d'infos et liens sur l'installation d'Ocropus sous Ubuntu |
tesseract-ocr [Le 04/08/2023, 19:43] (Version actuelle) lyondif02 [Liens] mention outil OCRmyPDF basé sur Tesseract |
||
|---|---|---|---|
| Ligne 1: | Ligne 1: | ||
| - | {{tag>Feisty Gutsy Hardy Intrepid ocr BROUILLON}} | + | {{tag>Xenial Trusty ocr bureautique}} |
| ---- | ---- | ||
| + | ====== Tesseract OCR ====== | ||
| - | ====== Tesseract ====== | + | **Tesseract OCR** est un moteur de [[:ocr|reconnaissance optique de caractères ]] (acronymie : ROC ou OCR en Anglais) qui a été conçu par les ingénieurs de Hewlett Packard<sup>®</sup> de 1984 à 1995, avant d'être abandonné. \\ Après 10 ans de purgatoire, son code est ouvert en 2005, distribué sous [[wpfr>Licence Apache]], et le développement est repris sous la houlette de Google. \\ Les premiers résultats sont prometteurs. \\ Enfin un bon logiciel libre d'OCR sous %%GNU/Linux%%? L'avenir nous le dira… Il permet déjà d'obtenir une reconnaissance optique de qualité sur un certain nombre de documents (sans mise en page complexe). |
| - | **Tesseract** est un moteur de reconnaissance optique de caractères (ROC, OCR) qui a été conçu par les ingénieurs de HP de 1984 à 1995, avant d'être abandonné. Après 10 ans de purgatoire, son code est ouvert en 2005, et le développement est repris sous la houlette de google. Les premiers résultats sont prometteurs. Enfin un bon logiciel libre d'OCR sous linux ? L'avenir nous le dira... Il permet déjà d'obtenir une reconnaissance optique de qualité sur un certain nombre de documents (sans mise en page complexe). | + | La page de la documentation sur [[https://github.com/tesseract-ocr/tesseract/blob/master/README.md|Github]]. |
| Tesseract a pour vocation d'être utilisé : | Tesseract a pour vocation d'être utilisé : | ||
| - | * soit directement, en ligne de commandes ou par l'intermédiaire d'une interface graphique comme gscan2pdf ou xsane (+xsane2tess), pour reconnaitre du texte avec mise en page basique; cet usage est déjà fonctionnel. | + | * soit directement, en ligne de commandes soit par l'intermédiaire d'une interface graphique comme [[gscan2pdf|gscan2pdf]] ou [[xsane|xsane]] (cf. aussi [[xsane2tess|xsane2tess]]), pour reconnaître du texte avec mise en page basique ; cet usage est déjà fonctionnel. |
| - | * soit avec des surcouches gérant les mises en pages complexes, etc., comme [[:ocropus]] (encore en version beta). | + | * soit avec des surcouches gérant les mises en page complexes, etc., comme [[:ocropus]] (encore en [[wpfr>Version_d'un_logiciel#Version_b.C3.AAta|Version Bêta ou β-test]]). |
| - | Tesseract est distribué sous licence Apache, c'est-à-dire en gros qu'il est Open Source mais pas [[wpfr>Copyleft|copyleft]]. | + | ===== Installation ===== |
| + | [[:tutoriel:comment_installer_un_paquet|Installez les paquets]] **[[apt>tesseract-ocr]]** et pour reconnaître la langue française, **[[apt>tesseract-ocr-fra]]**. \\ | ||
| + | Il existe d'autres fichiers de langues, comme par exemple : | ||
| + | * **[[apt>tesseract-ocr-deu]]** (allemand), | ||
| + | * **[[apt>tesseract-ocr-eng]]** (anglais), | ||
| + | * **[[apt>tesseract-ocr-spa]]** (espagnol), | ||
| + | * **[[apt>tesseract-ocr-nld]]** (hollandais), | ||
| + | * **[[apt>tesseract-ocr-ita]]** (italien), | ||
| + | * **[[apt>tesseract-ocr-por]]** (portugais-brésilien), | ||
| + | * **[[apt>tesseract-ocr-vie]]** (vietmamien), | ||
| + | * **[[apt>tesseract-ocr-deu-f]]** (vieil-allemand). | ||
| - | ===== Installation sous Ubuntu 9.04 ===== | + | ===== Utilisation ===== |
| - | Il n'y a pas de différence notable avec les anciennes versions traitées plus bas. | + | <note important>les scanners numérisent souvent avec une résolution suffisante pour la lecture à l'écran mais insuffisante pour une reconnaissance efficace. |
| - | Pensez toutefois à installer le paquet ImageMagick si vous voulez utiliser xsane2tess (utilitaire convert nécessaire) | + | Il faut donc numériser au moins à **300 voire 600 ppp** (Point Par Pouce ou DPI) |
| - | <note important>N.B. : Si vous voulez tester Ocropus, n'installez pas Tesseract à partir des dépôts Ubuntu, ni à partir du deb de "b52", mais comme indiqué sur la page [[:ocropus]]</note> | + | Quant au type de fichier, le format [[wpfr>Tagged_Image_File_Format|tiff]] est mieux reconnu, ainsi un document tiff en 300ppp est intégralement reconnu alors qu'au format JPEG, toujours en 300ppp, seules les lettres majuscules sont reconnues</note> |
| - | ===== Installation sous Ubuntu 8.04 LTS ===== | + | ======= Erreur à l'utilisation ===== |
| - | + | Si vous obtenez ce message : | |
| - | + | ||
| - | ==== Par le gestionnaire de paquets (32 et 64 bits) ==== | + | |
| - | + | ||
| - | **tesseract-ocr** 2.01 est disponible dans le dépôt universe (tesseract 2.03 depuis Intrepid). | + | |
| - | Le paquet peut donc facilement être installé par synaptic, apt-get ou aptitude. | + | |
| - | Il vous faudra installer aussi au moins l'un des huit fichiers de langues disponibles dans le dépôt universe : **tesseract-ocr-deu** (allemand), **tesseract-ocr-fra** (français), **tesseract-ocr-eng** (anglais), **tesseract-ocr-spa** (espagnol), **tesseract-ocr-nld** (hollandais), **tesseract-ocr-ita** (italien), **tesseract-ocr-por** (portugais-brésilien), **tesseract-ocr-deu-f** (vieil-allemand). | + | |
| - | + | ||
| - | Une autre langue pour l'instant disponible pour la ROC avec tesseract, le vietnamien, n'est pas encore dans les dépôts Hardy (mais elle est dans les dépôts Intrepid : **tesseract-ocr-vie**). Pour Hardy, vous pouvez l'installer facilement comme indiqué [[:tesseract-ocr#pour_architecture_i386_32_bits|ici]] (cf. "si vous souhaitez utiliser les autres langues"). | + | |
| - | + | ||
| - | **Avantages** de l'installation de tesseract par le dépôt universe : | + | |
| - | * tesseract fonctionne directement sur les fichiers tiff compressés (scan réalisé avec xsane par exemple). | + | |
| - | * vous pouvez installer séparément les langues de votre choix. | + | |
| - | + | ||
| - | **Inconvénients :** | + | |
| - | * la reconnaissance sur les fichiers tiff non compressés suppose un traitement préalable par unpaper (clean up), facile avec gscan2pdf. | + | |
| - | * sur un certain nombre de fichiers retravaillés avec Gimp, ou provenant de copies d'écran, enregistrés sous divers formats, la ROC est boguée et donne un résultat très médiocre sans équivalent avec ce que peut produire normalement tesseract, même avec traitement préalable "unpaper". | + | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | ==== Par les deb de « b52 » (32 et 64 bits) ==== | + | |
| - | + | ||
| - | "b52", qui est par ailleurs développeur de [[http://www.xcfa.tuxfamily.org/index.php|XCFA]], a réalisé en avril 2008 des paquets deb de tesseract 2.01 incluant les neuf langues disponibles. Dès la sortie de tesseract 2.03, il a mis au point des paquets "toutes langues" de cette nouvelle version :\\ | + | |
| - | -> [[http://download.tuxfamily.org/xcfaudio/tesseract/All%20languages/i386/tesseract_2.03-3_i386.deb|un pour les architectures 32 bits]].\\ | + | |
| - | -> [[http://download.tuxfamily.org/xcfaudio/tesseract/All%20languages/amd64/tesseract_2.03-3_amd64.deb|un pour les architectures 64 bits]]. | + | |
| - | + | ||
| - | **Avantages** de l'installation par les deb de "b52" :\\ | + | |
| - | * les paquets deb de "b52" sont ceux qui permettent, de loin, le meilleur fonctionnement de tesseract.\\ | + | |
| - | * il s'agit (depuis le 1er juin 2008) de la version 2.03 de tesseract.\\ | + | |
| - | * tesseract fonctionne directement sur les fichiers tiff non compressés (image modifié via Gimp par exemple).\\ | + | |
| - | * toutes les langues disponibles sont installées par défaut.\\ | + | |
| - | * la ROC sur des fichiers de divers formats, retravaillés par exemple avec Gimp, ou provenant de copies d'écran, donne un bon résultat (après traitement unpaper, et si besoin augmentation de la taille et de la résolution de l'image via Gimp).\\ | + | |
| - | * une option supplémentaire "-lwt" (voir la note ci-dessous) permet la reconnaissance sur les fichiers tiff compressés, si on utilise tesseract en ligne de commande. Avec gscan2pdf, la reconnaissance optique est aussi possible sur ces fichiers après traitement préalable par unpaper (clean up).\\ | + | |
| - | + | ||
| - | <note>N.B. : une adresse IP (donc anonyme) a ajouté cette mention ici dans cette page de la documentation : //"Désavantage : ne fonctionne pas avec gscan2pdf." | + | |
| - | // Cette information est inexacte, ou du moins n'est-elle pas générale. la version tesseract 2.03 installée avec un paquet deb de "b52" fonctionne très bien avec gscan2pdf. Tout test ou information complémentaire sera la bienvenue, mais avant de modifier cette page de la documentation, merci de signaler sur [[http://forum.ubuntu-fr.org/viewtopic.php?id=78804|le fil de discussion du forum dédié à la ROC]] tout éventuel problème rencontré. Merci ;-)</note> | + | |
| - | + | ||
| - | + | ||
| - | <note tip> | + | |
| - | **L'option supplémentaire "-lwt".** Cette option est disponible uniquement si tesseract est installé avec un paquet réalisé par "b52". Elle s'utilise en remplacement de l'option "-l", lorsqu'on veut activer la librairie libtiff. Ceci permet la reconnaissance directe sur des fichiers tiff compressés. Par défaut, gscan2pdf utilise l'option "-l" (= "sans libtiff" dans les paquets de "b52") qui permet à tesseract de fonctionner correctement sur tous les types de fichiers image (après traitement unpaper si besoin).\\ | + | |
| - | - lwt [lang] | + | |
| - | l = Lang | + | |
| - | w = With | + | |
| - | t = Tiff | + | |
| - | Exemple : | + | |
| - | tesseract fichier.tif résultat -lwt fra | + | |
| - | - l [lang]\\ | + | |
| - | L'option -l fonctionne donc SANS Tiff si tesseract est installé avec un paquet de "b52". | + | |
| - | Exemple : | + | |
| - | tesseract fichier.tif résultat -l fra | + | |
| - | -> pour les utilisateurs de gscan2pdf, tesseract fonctionne mieux qu'avec les paquets des dépôts Hardy.\\ | + | |
| - | -> pour les utilisateurs de la ligne de commande, l'option -lwt résout le problème des fichiers tif compressés (cependant, pour un bon fonctionnement de tesseract en ligne de commande, les fichiers "*.tiff" doivent être renommés "*.tif") | + | |
| - | </note> | + | |
| - | + | ||
| - | ===== Installation sous Ubuntu 7.04 et 7.10 ===== | + | |
| - | <note important> | + | |
| - | L'installation par synaptic est possible sous Feisty et Gutsy, mais attention, il s'agit de la version obsolète 1.03 ! (qui ne gère pas le post-traitement de la roc en français et autres langues). Il faut oublier cette version périmée.</note> | + | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | ==== Pour architecture i386 (32 bits) ==== | + | |
| - | + | ||
| - | En janvier 2008, un paquet deb de la version 2.01 de tesseract a été mis au point par b52 avec l'équipe de « Linux on the root ». | + | |
| - | Ce mode d'installation est plus "propre" que la compilation depuis les sources. Ce paquet inclut deux langues : l'anglais et le français. | + | |
| - | + | ||
| - | Téléchargez [[http://download.tuxfamily.org/xcfaudio/tesseract/tesseract_2.02-3_i386.deb|le deb "b52" français-anglais]] ici et installez-le avec GDebi. | + | |
| - | Limitation de ce deb : la ROC directe sur les fichiers tiff compressés ne fonctionne pas. Mais un traitement unpaper ("clean up") dans gscan2pdf la permet. | + | |
| - | + | ||
| - | Pour plus d'informations, vous pouvez lire [[http://ubunteros.tuxfamily.org/spip.php?article160|l'article de Linux on the root]]. | + | |
| - | + | ||
| - | À noter que [[:tesseract-ocr#par_les_deb_de_b52_32_et_64_bits|le deb i386 "toutes langues"]] empaqueté par "b52" fin avril 2008 est fonctionnel sous Gutsy (à tester pour Feisty). | + | |
| - | + | ||
| - | Si vous installez tesseract au moyen du deb "b52" français-anglais, vous pouvez aussi installer d'autres langues, comme indiqué ci-dessous. | + | |
| - | + | ||
| - | **Si vous souhaitez utiliser** [[:tesseract-ocr#les_options_de_langues|les autres langues actuellement disponibles pour le post-traitement de la ROC par tesseract]], faites comme suit : | + | |
| - | * Téléchargez sur votre bureau sur [[http://code.google.com/p/tesseract-ocr/downloads/list|cette page]] les fichiers de langues comme par exemple : | + | |
| - | * pour l'allemand : tesseract-2.00.deu.tar.gz | + | |
| - | * pour l'espagnol : tesseract-2.00.spa.tar.gz | + | |
| - | * pour l'italien : tesseract-2.00.ita.tar.gz | + | |
| - | * etc. | + | |
| - | * décompressez-les et copiez les fichiers qu'ils contiennent dans le répertoire tessdata (qui est placé dans /usr/share lorsque l'installation de tesseract est faite avec le paquet deb). <code> | + | |
| - | tar -zxvf tesseract-2.00.deu.tar.gz | + | |
| - | tar -zxvf tesseract-2.00.spa.tar.gz | + | |
| - | tar -zxvf tesseract-2.00.ita.tar.gz | + | |
| - | </code> et de même pour les autres fichiers de langues que vous avez téléchargés, puis : <code> | + | |
| - | cd /home/votre_identité/Desktop/tessdata | + | |
| - | sudo cp * /usr/share/tessdata</code> | + | |
| - | + | ||
| - | **Alternative possible** : les paquets deb du dépôt "Guadausers" (Guadalinex, Andalousie), qui incluent toutes les langues. Mais pour un bon fonctionnement, il faut remplacer le paquet deb de gscan2pdf (quelle que soit la version) par le paquet deb gscan2pdf-guadausers. | + | |
| - | Donc : | + | |
| - | - désinstaller gscan2pdf s'il est déjà installé sur votre ordinateur. | + | |
| - | - installer ces deux paquets :\\ | + | |
| - | [[http://download.tuxfamily.org/guadausers/guadaV4/gscan2pdf_0.9.23-1-1guadausers1_all.deb|gscan2pdf_0.9.23-1-1guadausers1_all.deb]] et | + | |
| - | [[http://download.tuxfamily.org/guadausers/guadaV4/tesseract_2.01-1-1guadausers1_i386.deb|tesseract_2.01-1-1guadausers1_i386.deb]] | + | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | ==== Pour architecture amd64 (64 bits) ==== | + | |
| - | + | ||
| - | === Avec le deb de "b52" === | + | |
| - | + | ||
| - | Il suffit de télécharger et d'installer le paquet [[http://download.tuxfamily.org/xcfaudio/tesseract/All%20languages/amd64/tesseract_2.02-4_amd64.deb|tesseract_2.02-4_amd64.deb]] .\\ (testé sous Gutsy - à tester sous Edgy et Feisty) | + | |
| - | + | ||
| - | === En compilant depuis les sources === | + | |
| - | + | ||
| - | La seule façon d'installer tesseract 2.01, si vous aviez installé Ubuntu en 64 bits, était autrefois de compiler depuis les sources. Vous pouvez encore le faire si vous n'aimez pas la simplicité ;-) | + | |
| - | + | ||
| - | <note tip>Préalable : | + | |
| - | assurez-vous que les paquets **gs-common libtiff4dev build-essential** [[:tutoriel:comment_installer_un_paquet|soient installés]].</note> | + | |
| - | + | ||
| - | Téléchargez la version tesseract 2.01 depuis [[http://code.google.com/p/tesseract-ocr/downloads/list|cette page]]. | + | |
| - | + | ||
| - | <note important>Une version tesseract 2.03 est disponible depuis fin avril 2008, mais sa compilation est délicate et pour l'instant déconseillée.</note> | + | |
| - | + | ||
| - | Pour cela, ouvrez le terminal et entrez les commandes suivantes: | + | |
| - | <code> | + | |
| - | cd //répertoire où se trouve l'archive// | + | |
| - | tar -zxvf tesseract-2.01.tar.gz | + | |
| - | cd tesseract-2.01 | + | |
| - | ./configure | + | |
| - | make | + | |
| - | sudo make install | + | |
| - | </code> | + | |
| - | + | ||
| - | <note important>//"ne rien installer que l'on ne peut pas désinstaller"...// | + | |
| - | Pour pouvoir faire place nette le jour où une nouvelle version de tesseract sera disponible (et pouvoir installer celle-ci) : | + | |
| - | * conserver dans un répertoire /home/votre_identité/programmes_compilés le fichier source **tesseract-2.01.tar.gz** | + | |
| - | * le jour ou vous voulez désinstaller la version de tesseract correspondante, remettre le fichier source sur le bureau, puis : | + | |
| - | + | ||
| - | cd /home/votre_identité/Desktop | + | |
| - | tar -zxvf tesseract-2.01.tar.gz | + | |
| - | cd tesseract-2.01 | + | |
| - | ./configure | + | |
| - | make | + | |
| - | sudo make uninstall | + | |
| - | + | ||
| - | Ainsi, tesseract 2.01 sera désinstallé, et vous pourrez installer une nouvelle version en suivant la procédure d'installation...</note> | + | |
| - | + | ||
| - | Puis téléchargez les fichiers nécessaires à la reconnaissance optique de la langue française, **tesseract-2.00.fra.tar.gz**, décompressez et copiez les fichiers que contient ce dossier dans le répertoire tessdata : | + | |
| - | <code> | + | |
| - | tar -zxvf tesseract-2.00.fra.tar.gz | + | |
| - | cd tessdata | + | |
| - | sudo cp * /usr/local/share/tessdata | + | |
| - | </code> | + | |
| - | + | ||
| - | **Autres langues** : S'il vous arrive de scanner des textes en d'autres langues, vous pouvez télécharger et installer de même les fichiers nécessaires. Sont actuellement disponibles les fichiers pour l'anglais, l'allemand, l'espagnol, l'italien, le néerlandais, le vieil-allemand, le portugais (brésilien) et le vietnamien. | + | |
| - | + | ||
| - | ===== Utilisation ===== | + | |
| + | Error opening data file /home/<repertoire personnel>/snap/tesseract/common/Error opening data file /home/<repertoire personnel>/snap/tesseract/common/eng.traineddata.traineddata | ||
| + | Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory. | ||
| + | Failed loading language 'Error opening data file /home/<repertoire personnel>/snap/tesseract/common/eng.traineddata' | ||
| + | Tesseract couldn't load any languages! | ||
| + | Could not initialize tesseract. | ||
| + | Copier le répertoire « tesseract-ocr ». Depuis usr/share/ → vers usr/local/share/ | ||
| + | Les fichiers de langues se trouve à cette emplacement : | ||
| + | usr/local/share/tesseract-ocr/4.00/tessdata | ||
| ==== En ligne de commande ==== | ==== En ligne de commande ==== | ||
| - | Tesseract n'accepte pour le moment que des fichiers au format tif et mdi. Après avoir converti votre fichier grâce à un logiciel //ad hoc//, entrez la commande suivante : | + | Dans un [[:terminal]], Entrez la [[:commande_shell|commande]] suivante : |
| + | <code>tesseract ~/<nom_de_l_image.tif> <nom_du_fichier_de_sortie_sans_l_extension> -l fra</code> | ||
| + | le fichier de sortie sera au format texte .txt … on perd donc la mise en page! | ||
| - | tesseract ~/nomdelimage.tif nom_du_fichier_de_sortie_sans_l_extension | + | Pour traiter plusieurs fichiers, vous pouvez faire : |
| + | <code>for i in *.jpg ; do tesseract -l fra $i $i.txt; done;</code> | ||
| - | En cas d'installation de la version 2.01, pour la reconnaissance de texte en français : | + | Pour traiter un pdf image de plusieurs pages : |
| + | <code>pdftoppm -r 300 -tiff texte.pdf texte | ||
| + | for f in *.tif;do tesseract $f $f -l fra;done | ||
| + | cat *.txt > document.txt</code> | ||
| - | tesseract ~/nomdelimage.tif nom_du_fichier_de_sortie_sans_l_extension -l fra | ||
| - | |||
| - | <note>Par défaut, le fichier de sortie est placé dans /home/votre_identité (en fin de liste). Pour obtenir ce fichier de sortie sur votre bureau, il faut indiquer le chemin, comme suit : | ||
| - | tesseract ~/nomdelimage.tif /home/votre_identité/Desktop/nom_du_fichier_de_sortie_sans_l_extension -l fra | ||
| - | </note> | ||
| - | |||
| - | <note tip> | ||
| - | **Si vous avez installé tesseract au moyen d'un paquet deb de "b52"**, tesseract fonctionnera en ligne de commande sur les fichiers tif/tiff compressés si vous utilisez l'option "-lwt" à la place de l'option "-l". Vous pouvez aussi utiliser gscan2pdf, et effectuer un traitement unpaper (clean up) sur le document avant de lancer la ROC. | ||
| - | |||
| - | **Si vous avez installé tesseract par synaptic, apt-get ou aptitude (dépôt universe de Hardy) ou par les deb "guadausers"**, ou si vous l'avez compilé vous-même, tesseract donnera de mauvais résultats en ligne de commande sur certains fichiers tif/tiff non compressés. Dans ce cas, utilisez gscan2pdf, et effectuez un traitement unpaper (clean up) sur le document avant de lancer la ROC. Si le résultat est médiocre malgré un traitement unpaper préalable, désinstallez tesseract... puis réinstallez-le au moyen d'un paquet de "b52"... et réessayez ;-)</note> | ||
| ==== Les options de langues ==== | ==== Les options de langues ==== | ||
| - | + | Si vous avez installé les fichiers pour la reconnaissance de texte en d'autres langues, vous ajoutez à la fin, au lieu de **-l fra**: | |
| - | Si vous avez installé les fichiers pour la reconnaissance de texte en d'autres langues, vous ajoutez, au lieu de <code>-l fra</code> | + | |
| <code> | <code> | ||
| -l eng (pour l'anglais) | -l eng (pour l'anglais) | ||
| -l deu (pour l'allemand) | -l deu (pour l'allemand) | ||
| + | -l epo (pour l'espéranto) | ||
| -l spa (pour l'espagnol) | -l spa (pour l'espagnol) | ||
| -l ita (pour l'italien) | -l ita (pour l'italien) | ||
| Ligne 208: | Ligne 75: | ||
| </code> | </code> | ||
| + | La liste des langues est disponible sur la [[https://github.com/tesseract-ocr/tesseract/wiki/Data-Files|documentation du logiciel sur github]] | ||
| + | |||
| + | Vous pouvez aussi indiquer que les pages contiennent plusieurs langues différentes en indiquant **-l fra+epo** par exemple pour des images qui contiennent du texte en français et du texte en espéranto. | ||
| ==== En mode graphique avec « gscan2pdf » ==== | ==== En mode graphique avec « gscan2pdf » ==== | ||
| - | + | Les explications sont données sur [[:gscan2pdf|la page gscan2pdf]]. | |
| - | + | ||
| - | Les explications sont données sur [[:gscan2pdf|la page gscan2pdf de la documentation Ubuntu francophone]]. | + | |
| ==== En mode graphique avec XSane ==== | ==== En mode graphique avec XSane ==== | ||
| + | Il est possible d'utiliser directement tesseract avec l'application de numérisation [[:XSane]] grâce à l'adaptateur [[:xsane2tess]]. | ||
| + | <note tip>Pour réaliser de la Reconnaissance optique de caractères : | ||
| + | * sur un document déjà numérisé, on utilise [[gscan2pdf|gscan2pdf]]. | ||
| + | * sur un document à numériser, on utilise plutôt [[xsane|XSane]], dont la fonction de prévisualisation permet de sélectionner des zones de texte. | ||
| - | Il est possible d'utiliser tesseract avec XSane grâce à l'adaptateur [[xsane2tess]]. | + | </note> |
| + | ==== En mode graphique avec YAGF ==== | ||
| + | Les explications sont données sur [[:yagf|la page YAGF]]. | ||
| - | <note tip>Pour réaliser de la ROC sur un document déjà numérisé, on utilise gscan2pdf. Pour réaliser de la ROC sur un document à numériser, on utilise plutôt XSane, dont la fonction de prévisualisation permet de sélectionner des zones de texte.</note> | + | ==== En mode graphique avec gimagereader ==== |
| - | + | Les explications sont données sur [[:gimagereader|la page gimagereader]]. | |
| - | ===== Amélioration de la reconnaissance ===== | + | |
| - | + | ||
| - | + | ||
| - | <note important>La suite est adaptée [[http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract|des explications du site "tesseract-ocr" (google)]] en anglais. Il est conseillé d'aller aussi sur cette page si on peut.</note> | + | |
| - | + | ||
| - | + | ||
| - | ==== Description des fichiers de langue ==== | + | |
| - | + | ||
| - | Les 4 fichiers //inttemp,// //normproto//, //pfftable// et //unicharset// sont indispensables à la création d'une langue, les autres sont facultatifs. Tous les fichiers devront être préfixés par l'identifiant de leur langue.{{tesseractfichiers.png|tiré du pdf google dispo dans le répertoire google code}} | + | |
| - | + | ||
| - | === inttemp === | + | |
| - | + | ||
| - | stocke les formes géométriques prototypales des différents caractères; se génère par l'exécutable ''mftraininf'', cf plus bas la section apprentissage. | + | |
| - | + | ||
| - | === pffttable === | + | |
| - | + | ||
| - | "number of expected features for each character" ? FIXME | + | |
| - | ; se génère par l'exécutable ''mftraininf'', cf plus bas la section apprentissage. | + | |
| - | === normproto === | + | |
| - | "the character normalization sensitivity prototypes" FIXME | + | |
| - | ; se génère par l'exécutable ''cftraininf'', cf plus bas la section apprentissage. | + | |
| - | === unicharset === | + | |
| - | Ce fichier recense tous les caractères du prototype (1 ligne par caractère),ainsi que 4 propriétés: nombre, majuscule, minuscule, lettre, représenté par 1 hexadécimal: | + | |
| - | <code>; 0 | + | |
| - | b 3 | + | |
| - | W 5 | + | |
| - | 7 8</code> | + | |
| - | par exemple, W est noté 5 (hexa), ce qui correspond à 0101 (binaire), ce qui veut dire: ce n'est pas un nombre, c'est une majuscule, ce n'est pas une minuscule, c'est une lettre. | + | |
| - | Au lieu d'être écrit à la main, il peut être généré par: ''unicharset_extractor'' (cf plus bas la section apprentissage). | + | |
| - | + | ||
| - | === DangAmbigs === | + | |
| - | Ce fichier texte sert à signaler les risques de confusion entre caractères: il est créé ou augmenté manuellement. | + | |
| - | + | ||
| - | <code>1 m 2 r n | + | |
| - | 3 i i i 1 m</code> | + | |
| - | + | ||
| - | Ici on signale que le m (1 caractère) peut être confondu avec rn (2 caractères), et que iii (3 caractères) peut être confondu avec m (1 caractère). Quelle conclusion en tire tesseract? FIXME | + | |
| - | === frequent_words_list === | + | |
| - | Liste les mots de la langue les plus fréquents (en codage DAWG). On peut rentrer les mots dans un fichier texte UTF8 (1 par ligne), puis les mettre au bon format par: | + | |
| - | <code>wordlist2dawg frequent_words_list freq-dawg</code> | + | |
| - | === words_list === | + | |
| - | Liste les mots moins fréquents. | + | |
| - | Même principe que ci-dessus: | + | |
| - | <code>wordlist2dawg words_list word-dawg</code> | + | |
| - | + | ||
| - | === User-words === | + | |
| - | Ce fichier est usuellement vide. | + | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | ==== Apprentissage ==== | + | |
| - | + | ||
| - | On peut faire progresser tesseract en suivant la démarche suivante: | + | |
| - | - lui faire reconnaître une image-type avec l'option box : <code>tesseract fontfile.tif fontfile batch.nochop makebox</code> | + | |
| - | - renommer fontfile.txt en fontfile.box | + | |
| - | - ouvrir ce dernier fichier qui ressemble à :<code> | + | |
| - | r 814 492 837 516 | + | |
| - | o 839 483 862 516 | + | |
| - | s 865 491 878 520 | + | |
| - | i 101 452 122 483 | + | |
| - | a 126 453 146 486 | + | |
| - | </code> | + | |
| - | Chaque ligne correspond à un caractère Unicode : | + | ==== Pour une reconnaissance optique directe dans LibreOffice Writer de fichiers PNG ou JPG ==== |
| - | sa représentation puis les coordonnées de ses extrémités (gauche, bas, droite, haut). | + | |
| - | On peut modifier les erreurs : | + | === pour lancer l'OCR sur un document PNG (ou JPG) présent sur le bureau === |
| - | * par remplacement d'une lettre par une autre | + | |
| - | * plus compliqué, quand plusieurs lettres on été pris pour une, ou vice versa, fusionner en modifiant les coordonnées, par exemple :<code>, 197 496 205 507 | + | |
| - | , 206 496 214 508</code>devient :<code>„ 197 496 214 508</code> | + | |
| - | <note important>À noter qu'il existe pour le français déjà des couples tif/box prêts à l'emploi, à télécharger au même endroit que les sources.</note> | + | == pour les documents PNG == |
| + | - [[:tutoriel:comment_modifier_un_fichier|Créez un fichier texte]] que vous nommez par exemple "Tesseract-png2lofficewriter" : <file bash Tesseract-png2lofficewriter> | ||
| + | #!/bin/bash | ||
| + | cd ~/Bureau | ||
| + | convert *.png sortie.tif ; | ||
| + | # il est plus prudent de corriger le bpp maximum pour le fichier tiff de sortie (max 8 pour tesseract -> depth = 4) | ||
| + | # soit convert -depth 4 *.png sortie.tif ; | ||
| + | tesseract sortie.tif sortie -l fra ; | ||
| + | rm sortie.tif | ||
| + | lowriter sortie.txt</file> | ||
| + | - [[:tutoriel:script_shell#methode_graphique|Rendez exécutable]] ce fichier. Vous avez créé un script exécutable... | ||
| + | - Placez-le dans le dossier des [[:nautilus_scripts|scripts-Nautilus]] (ou dans tout autre dossier personnel de scripts, à votre convenance), | ||
| + | - Créez un lanceur ou une entrée dans le menu comme indiqué ci-dessous. | ||
| - | Une fois corrigée le fichier box, passons à l'apprentissage proprement dit : | + | == pour les documents JPG == |
| + | Pour faire de même avec les fichiers images JPG (comportant du texte à reconnaître bien sûr), vous pouvez remplacer "png" par "jpg" dans le script, pour créer un autre script nommé "Tesseract-jpg2lofficewriter". | ||
| - | tesseract fontfile.tif junk nobatch box.train | + | === Créer un lanceur pour votre script === |
| - | + | ||
| - | qui propose en sortie un fichier fontfile.tr, qui décrit géométriquement les différents caractères du tif. | + | |
| - | Pour créer notre prototype, on rassemble nos différents apprentissages tif/box : | + | Pour créer un raccourci de votre script, reportez-vous à la page de création de [[:raccourci-lanceur|lanceurs]] ou à [[:unity_launcher|celle-ci]] pour Unity, puis complétez comme suit: |
| + | - Donnez-lui un nom par exemple : "Tesseract-png2lofficewriter", ou plus court "Tesseract-PNG2LOW" | ||
| + | - Pointez vers le script en question, c'est à dire le fichier texte "Tesseract-png2lofficewriter" rendu exécutable (commande : allez chercher votre script par le bouton "parcourir"), | ||
| + | - Vous pouvez utiliser cette icône {{:applications:tesseract:tesseract-ocr-png.jpg?100|icone Tesseract OCR PNG}} pour le script "Tesseract-PNG2LOW" et celle-ci {{:applications:tesseract:tesseract-ocr-jpg.jpg?100|icone Tesseract OCR JPG}} pour le script "Tesseract-JPG2LOW". | ||
| + | - Vous pouvez ajouter un commentaire, mais ce n'est pas indispensable. | ||
| - | mftraining fontfile_1.tr fontfile_2.tr ... | + | === Utilisation === |
| + | - Enlevez du bureau les fichiers PNG sur lesquels vous ne voulez pas faire de ROC. | ||
| + | - Placez sur le bureau vos fichiers numérisés au format PNG (le mieux est un PNG en valeurs de gris et 300 dpi avec Xsane, mais vous pouvez essayer avec d'autres PNG déjà numérisés), | ||
| + | - Vous pouvez placer sur le bureau plusieurs fichiers PNG sur lesquels vous voulez procéder à la reconnaissance optique, mais ne dépassez pas 3-4 fichiers si vous voulez une opération relativement rapide. \\ Les contenus des différents fichiers seront placés les uns à la suite des autres dans un même document Libreoffice. | ||
| + | - Cliquez sur le raccourci précédemment créé ou directement sur le script... patientez un peu... Libreoffice s'ouvrira avec le contenu du texte tel qu'il a été reconnu | ||
| + | - Il vous reste a effectuer les corrections orthographiques et la mise en page. | ||
| - | ce qui nous donne en sortie 2 fichiers, inttemp et pffmtable. | + | Même méthode pour les fichiers au format JPG, en utilisant l'outil "Tesseract-jpg2lofficewriter" créé précédemment. |
| - | cntraining fontfile_1.tr fontfile_2.tr ... | + | N.B. : au passage, un document ''sortie.tif'' et un document ''sortie.txt'' sont placés sur le bureau; ce sont des documents transitoires créés par le script. On peut les effacer en ayant au préalable enregistré le document texte dans un autre dossier. |
| - | crée lui normproto | + | ==== Autre méthode : pour une reconnaissance optique directe d'un ou plusieurs fichiers PNG ou JPG dans Nautilus ==== |
| - | Enfin | + | |
| - | unicharset_extractor fontfile_1.box fontfile_2.box ... | + | - [[:tutoriel:comment_modifier_un_fichier|Créez un fichier texte]] que vous nommez par exemple "OCR" dans le dossier des [[:nautilus_scripts|scripts-Nautilus]] (normalement : ~/.local/share/nautilus/scripts) :<file bash ~/.local/share/nautilus/scripts/OCR> |
| + | #!/bin/sh | ||
| - | crée le fichier unicharset. | + | mypath="`pwd`" |
| + | for filename in "$@" | ||
| + | do | ||
| + | if [ -n "$*,?" ];then | ||
| + | tesseract "$mypath/$filename" "${filename%%.*}" -l fra | ||
| + | fi | ||
| + | done {} | ||
| + | exit 0</file> | ||
| - | FIXME | + | - [[:tutoriel:script_shell#methode_graphique|Rendez exécutable]] ce fichier. |
| + | Dans Nautilus vous pouvez désormais sélectionner un ou plusieurs fichiers PNG et/ou JPG, faites un clic droit et exécutez le script "OCR". Chaque fichier txt extrait de tesseract aura le nom du fichier d'origine avec l'extension .txt | ||
| + | =====Utilisation avancée : Amélioration de la reconnaissance ===== | ||
| - | ===== Exemple ===== | + | Si vous souhaitez améliorer la reconnaissance optique de caractères vous trouverez des explications sur le site **(en)** [[https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract|Wiki de "tesseract-OCR"]] . |
| - | FIXME | + | =====Désinstallation===== |
| + | Pour supprimer cette application, il suffit de [[:tutoriel:comment_supprimer_un_paquet|supprimer son paquet]] et les paquets de langues installées. | ||
| + | Selon la méthode choisie, la configuration globale des applications sont conservées ou supprimées. Les journaux du système, et les fichiers de préférence des utilisateurs dans leurs dossiers personnels sont toujours conservés. | ||
| ===== Liens ===== | ===== Liens ===== | ||
| - | * [[http://code.google.com/p/tesseract-ocr|Site officiel]] | + | * [[https://github.com/tesseract-ocr/tesseract/wiki|Site officiel]] |
| * [[http://www.repairfaq.org/filipg/gnu/tesseract/html-102_03/|Documentation pour contribuer au code (en anglais)]] | * [[http://www.repairfaq.org/filipg/gnu/tesseract/html-102_03/|Documentation pour contribuer au code (en anglais)]] | ||
| - | * [[http://www.geocities.com/thierryguy/|Script de conversion et paquet pré-compilé pour Ubuntu]] | + | * [[https://forum.ubuntu-fr.org/viewtopic.php?id=78804|le fil de discussion du forum]] Open Office, Reconnaissance de caractères, Xsane, Kooka et Cie... |
| - | * [[http://www.groklaw.net/article.php?story=20061210115516438|Tuto d'installation clair en anglais]] | + | * [[https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract|La page où on parle de l'apprentissage avec tesseract (anglais)]] |
| - | * [[http://code.google.com/p/tesseract-ocr/|Le site officiel Google code en anglais]] | + | * [[:ocr|La page de la documentation francophone Ubuntu sur la reconnaissance optique de caractères]] |
| - | * [[http://forum.ubuntu-fr.org/viewtopic.php?id=78804|le fil de discussion du forum]] | + | * [[https://gist.github.com/stesie/42dff3d14fbfac60524f381babb8f81d|script « scan2pdf+ocr.sh » sur le GITHUB]] |
| - | * [[http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract|La page où on parle de l'apprentissage avec tesseract (anglais)]] | + | * [[https://ocrmypdf.readthedocs.io/en/latest/introduction.html|OCRmyPDF]] : programme qui rend un fichier PDF indexable – à savoir, dont le contenu peut faire l’objet d’un recherche textuelle. Il est écrit en [[python|Python]], s’appuie sur le moteur ROC Tesseract et sur GhostScript, est disponible au [[snap|format Snap]] ou en [[apt|paquet APT]], et est utilisable en ligne de commande par défaut. |
| - | * [[ocr|La page de la documentation francophone Ubuntu sur la reconnaissance optique de caractères]] | + | |
| - | * [[http://ubunteros.tuxfamily.org/spip.php?article148 |Le duo scan2pdf et tesseract sur Linux on the Root (en français)]] | + | |
| ---- | ---- | ||
| - | //Contributeurs : [[:utilisateurs:teolemon|Pierre S.]], [[:utilisateurs:Hector]] et [[:utilisateurs:Sorbus]].// | + | //Contributeurs : [[:utilisateurs:teolemon|Pierre S.]], [[:utilisateurs:Hector]] et [[:utilisateurs:Sorbus]], [[:utilisateurs:eagle08]] : liens.// |