Hledáme možnosti OCR na Linuxu. Zvládne něco češtinu?

Mnoho lidí se může dostat do situace, kdy bude potřebovat z obrázku dostat textový výstup, tedy optické rozpoznávání znaků – tzv. OCR. Patřím k nim. Primárně používám Linux, proto jsem chtěl řešení postavené na Linuxu. Za řešení nechci platit, potřeba bývá omezená, víceméně jednorázová. Dále v článku se podělím o své zkušenosti z procházení nabízených možností splňující vyjmenované podmínky.

Protože v Linuxu jsou grafické programy pro OCR nejčastěji postaveny nad CLI programy, začneme u programů pro příkazovou řádku. 

CuneiForm

Jde o textově orientovaný nástroj.  Nainstalujeme pomocí balíčku cuneiform. Bohužel jeho úspěšnost mě nepřesvědčila. Použití vypadá takto.

cuneiform -f text -l czech -o edi.txt IMG_20241225_134929887.jpg

• -f nastavuje formát
• -l nastavuje jazyk překladu
• -o nastaví soubor výstupu

Bohužel výstup nedopadl dobře. Výsledky v anglickém jazyce jsou naneštěstí podobné.

i Zdroj: PCTuning.cz

Tesseract

Tesseract je něco jako backend. Může být použit programy s grafikou jako výkonná část. Ovšem dá se použít i samostatně, zde se na to podíváme. Nainstalujeme pomocí balíčku tesseract-ocr. Potom musíme ještě přidat požadovaný jazyk kromě základní angličtiny. V našem případě češtinu. Jde o balíček tesseract-ocr-ces.

Nejdříve zkusím základní převod. Použiji označení zdrojového a cílového souboru a jazyk nastavím na češtinu.

tesseract IMG_20241225_134929887.jpg out.txt -l ces

Bohužel výstup není použitelný

i Zdroj: PCTuning.cz

Tato syntaxe by měla brát textové bloky na základě parametru --psm 6 a zachovat mezery v textu.

tesseract IMG_20241225_134929887.jpg out.txt -l ces --psm 6 -c preserve_interword_spaces=1

Výstup je bohužel ale také nezajímavý.

i Zdroj: PCTuning.cz

OCRmyPDF

Zajímavý program, který funguje na tom, že do PDF souborů přidá znakovou vrstvu. Jako zdroj mu poslouží jak obrázek, tak i PDF soubor tvořený pouze obrázkem, tedy bez textové vrstvy. Výstupem je PDF soubor. Pokud žádáme pouze text, můžeme tento soubor převést na textový soubor. Jde o program příkazového řádku, příkaz vypadá potom takto:

ocrmypdf start.pdf output.pdf -l ce

Převod do textového souboru provedeme příkazem.

pdftotext output.pdf output.txt

A teď to hlavní – výstup. Nejdřív PDF soubor.

i Zdroj: PCTuning.cz

A potom textový soubor.

i Zdroj: PCTuning.cz

Nejlepší výstup. Je potřebná revize, ale vypadá velmi rozumně.

Toto byly programy pro příkazovou řádku. V další kapitole se podíváme na programy v grafickém prostředí.