omdan tekst i jpg billede til en txt fil?

[gtr]

ubuntu 12.04

Jeg har søgt efter et softwareprogram, der kan konvertere tekst i fx et jpg billede til en txt fil.
Men jeg har ikke fundet noget.

Nogle forslag?

Tak.

[Ivan]

Cuneiform er et forslag

[zob]

Fra apt-cache show tesseract-ocr:

The Tesseract OCR engine was one of the top 3 engines in the 1995
UNLV Accuracy test. Between 1995 and 2006 it had little work done on
it, but since then it has been improved extensively by Google and is
probably one of the most accurate open source OCR engines
available. It can read a wide variety of image formats and convert
them to text in over 40 languages.

sudo apt-get install

Kode: Vælg alt

sudo apt-get install tesseract-ocr tesseract-ocr-eng tesseract-ocr-dan

(Husk at installere de sprogpakker du skal bruge - herover engelsk og dansk).

Find en fil du ønsker at ocr-scanne (et eksempel):

Kode: Vælg alt

wget http://upload.wikimedia.org/wikipedia/commons/5/5f/Dr._Jekyll_and_Mr._Hyde_Text.jpg

Kør scanning:

Kode: Vælg alt

tesseract Dr._Jekyll_and_Mr._Hyde_Text.jpg jekyll

Læs tekst:

Kode: Vælg alt

cat jekyll.txt

Det er altså

Kode: Vælg alt

tesseract input_filnavn output_filnavn

Tekstgenkendelse er absolut ikke trivielt, men god kvalitet, høj opløsning hjælper selvfølgelig på det. Du kan meget let komme i en situation hvor du bliver nødt til at "undervise" tesseract:
http://blog.cedric.ws/how-to-train-tesseract-301

Ikke mindst:
https://help.ubuntu.com/community/OCR

Bemærk desuden at den engelske ordbog er mere end ti gang så stor som den danske. Så du vil helt sikkert få bedre resultater med engelsk tekst.

[AJenbo]

Både cuniform og tesseract kan bruges grafisk vi programmet ocrfeeder.

Begge programmer var store i midt 90'er, men det er snart 20 år siden så man skal ikke forvente alt for meget af dem set med nutidens mål. Faktisk har jeg oplevet bedre resultater med de fleste gratise online services.

[Ivan]

Der kan også bruges den grafiske brugerflade YAGF til begge

[zob]

Begge programmer var store i midt 90'er, men det er snart 20 år siden så man skal ikke forvente alt for meget af dem set med nutidens mål. Faktisk har jeg oplevet bedre resultater med de fleste gratise online services.

Som jeg også citerer tesseract-beskrivelsen for, så blev det ganske rigtigt udviklet af HP i 90'erne. At udviklingen så i 2006 blev overtaget af Google (der med en android-platform, kunne være meget interesseret i god OCR-scanner), kan ikke være et sikkert dødsstød til projektet.

Lur mig om ikke en eller flere af gratis online services, som du i øvrigt glemte at dele, bruger tesseract i kulisserne, sandsynligvis i kombination med de billedredigeringsværktøjer der skal til for at gøre genkendelsen så god som mulig. Tekstgenkendelse er trods alt et større forskningsområde og ikke noget en webredaktør lige splejser sammen hen over natten.

[AJenbo]

Som jeg også citerer tesseract-beskrivelsen for, så blev det ganske rigtigt udviklet af HP i 90'erne. At udviklingen så i 2006 blev overtaget af Google (der med en android-platform, kunne være meget interesseret i god OCR-scanner), kan ikke være et sikkert dødsstød til projektet.

Jeg afviser selvfølgelig ikke at programmet har udviklet sig siden, men den giver mig stadig rigere resultater end en tilfældig online ORC.

Lur mig om ikke en eller flere af gratis online services, som du i øvrigt glemte at dele, bruger tesseract i kulisserne, sandsynligvis i kombination med de billedredigeringsværktøjer der skal til for at gøre genkendelsen så god som mulig.

Det gør dem jo så også bedre end hvis man selv bruger tesseract direkte.

Tekstgenkendelse er trods alt et større forskningsområde og ikke noget en webredaktør lige splejser sammen hen over natten.

Med tesseract kan jeg jo nettop lave en sådan service i løbet af en dag/nat.

Her er en simpel test hvor jeg bruger side 26 fra skemaet om familiesammenføring som printet på min mono laser printer:
https://www.nyidanmark.dk/NR/rdonlyres/C5F34A1E-1D10-42B6-AEEA-4135FD3B0FAB/0/fa1_da_ansoegningspakke_aegtefaellesammenfoering.pdf
(den er på dansk og et realistisk eksempel)

,temaer sâawáæá-Æáw “"""l Til brug for behandling af ansøgning om ægtefællesammenføring bedes kommunen oplyse følgende om ansøgers herboende ångçgtefælIe/partner/samlever: i i i 1. Ikke modtaget hjælp Ansøgers herboende ægtefælle har ikke modtaget hjælp efter lov om aktiv socialpolitik eller integrationsloven i 3 år forud for underskrivelsen af denne erklæring (kommunen bedes oplyse navn og CPR-nr.) (Sæâws) Navn Å/l ders J-ené 0 2. Modtaget hjælp Ansøgers herboende ægtefælle har modtaget hjælp efter lov om aktiv socialpolitik eller integrationsloven i 3 år forud for underskrivelsen af denne erklæring (kommunen bedes oplyse navn og CPR-nr. samt besvare spørgsmålene nedenfor vedr. ydelsen) (sæt kryds) ,CPRW j, 050285 - /454_ Navn _ , , _ _ j, , , CPR-nr, _ Ydelse 1 Ydelse 2 Ydelse 3 Ydelse 4 Efter hvilken bestemmelse er ydelsen udbetalt? Ydelsens beløbsmæssige størrelse Tidspunktet for udbetalingen af ydelsen Er ydelsen direkte ›--'-:- ...gs h!! L-.äø-P* r!n . :CiGLL-l u.. u: lU=JØ;g

Ud over de mange fejl får den kun første halvdel af siden med.

Nu Googler jeg så "online ocr" og trykker "I'm feeling lucky"

FA1
UDLÆNDINGE
B. Udtalelse fra kommunen om modtagelse af hjælp efter aktivloven eller integrationsloven i forbindelse med en ansøgning om ægtefællesammenføring, jf. ucliændineelovens 9 stk. 5.
Til brug for behandling af ansøgning om ægtefællesarnmenføring bedes kommunen oplyse følgende om ansøgers herboende ægtefælle/p_artner/samlever:
1. Ikke modtaget hjælp Ansøgers herboende ægtefælle har ikke modtaget hjælp efter lov om aktiv socialpolitik eller integrationsloven i 3 år forud for underskrivelsen af denne erklæring (kommunen bedes oplyse navn og CPR-nr.)
(sæt kryds) 9'2-3 /757 Navn Igneilers , CPR-nr. 050
2. Modtaget hjælp Ansøgers herboende ægtefælle har modtaget hjælp efter lov om aktiv socialpolitik eller integrationsloven i 3 år forud for underskrivelsen af denne erklæring (kommunen bedes oplyse navn og CPR-nr. samt besvare spørgsmålene nedenfor vedr. ydelsen) (sæt kryds) El Navn , CPR-nr.
Efter hvilken bestemmelse er ydelsen ud betalt?
Ydelsens beløbsmæssige størrelse
Tidspunktet for udbetalingen af ydelsen Er ydelsen direkte forszrg-izise:
a. Er beløbet udbetalt til underhold?
b. Er beløbet ydet til dækning af enkeltstående udgift?
Hvis ja, hvilken form for udgift?
Kan ydelsen sidestilles med løn eller pension, eller træder ydelsen i stedet herfor? * Eventuelle bemærkninger til ydelsen
Ydelse 1 Ydelse 2
Ydelse 3 Ydelse 4
D Ja 13 Nej 13 Ja Nej D Ja D Nej D Ja Ei Nej D Ja 13 Nej 1=1 Ja D Nej D Ja D Nej El Ja D Nej EI Ja 13 Nej El Ja D Nej El Ja D Nej ElJa 13 Nej
*) En sådan ydelse skal som udgangspunkt være en lediahedsydelse ucibetalt til personer, der opfylder betingelserne for at modtage fleksydelse med henblik på en tilbagetrækning fra arbejdsmarkedet, en ledighedsydeise til ansatte i fleksjob i forbindelse med afholdelse af ferie eller det tillæg, som kan udbetales til brok-fortidspensionister efter § 27a i lov om aktiv socialpolitik.
Til brug for Udlændingestyrelsens journalisering af sagen, bedes kommunen oplyse navn og fødselsdato på den person, der søger om opholdstilladelse (navn og fødselsdato frerngår af pkt. A.1 i anmodningen):
Navn: Mn. Chrd-tme_ 2-17>?cS Or)
Sted og dato
, Fødselsdato 9'8*&' lo,,,•center Copenhagen International Kommunens stempel og medarbejderens underskrift GyIdenløvesgade 11 - 7iO4I 1600 København V Tlf.: 8256 4600 Email; ici@bif,kk.dk Udlændingestyrelsen - Ryesgade 53 - 2100 København Mf.: +45 35 30 88 88 - E-mail: aegtefaelle@us.dk - http://www.nyidanmark.dk Telefontider: man 8.00-15.00; tir-ons 10.00-15.00; tor 12.00-17.00; fre 10.00-13.00 Åbningstider for personlig henvendelse: man-ons 8.30-12.00; tor 11.30-17.30; fra 10.00-13.00
Side 25 af 38

Som du kan se er der væsentlig færre fejl og hele siden er der

Cuniform kunne jeg ikke teste den den crasher med en bufferoverflow fejl.

[AJenbo]

For at være fair har jeg også kørt Tesseract via OCRfeeder. Forrige var via YAGF, som ikke udemærker sig ved at være temmelig simpelt, med en rodet UI og beregnet til KDE. Her er resultaet lidt bedre:

« Til brug for behandling af ansøgning om ægtefællâammvemnføring bedesuko-mmunen oplyse følgende om ansøgers herboendewjr
f aggtefælIe/pgjtner/samlever:
Efter hvilken bestemmelse er ydelsen udbetalt?
Ydelsens beløbsmæssige størrelse
Tidspunktet for udbetalingen af ydelsen
Er ydelsen direkte
-w-c- ,. r!'*/-. :CiükQ-tuu u; luaaØngua-u.
a. Er beløbet udbetalt til underhold?
b. Er beløbet ydet til dækning af enkeltstående udgift?
Hvis ja, hvilken form for udgift?
Kan ydelsen sidestilles med løn eller pension, eller træder ydelsen i stedet herfor? *
Eventuelle bemærkninger til ydelsen
EIJa El Nej Dia D Nej E1 Nej
EIJa El Nej El Nej l] Nej
l] Nej Ella E! Nej D Nej
*) En sådan ydelse skal som udgangspunkt være en ledighedsydelse ucbetalt til personer, der opfylder betingelserne for at modtage fleksydelse med henblik på en tilbagetrækning fra arbejdsmarkedet, en ledighedsydelse til ansatte l fleksjob i forbindelse med afholdelse af ferie eller det tillæg, som kan udbetales til brok-førtidspensionister efter ê 27a i lov om. aktiv socialpolitik.
U ' W' ' I i kw * Um” WWW i* d' Tlf.: 8256 4600 Emaii: ici@bii.kk.dk Udiændingestyreisen - Ryesgade 53 - 2100 Kcöenhavn Ø Tlf.: +45 35 3D 88 88 - E-maii: aegtefaeiie@us.dk - http://www.nyidanmark.dk
Telefontider: man 8.00-15.00; tir-ons 10.00-15.00; tor 12.00-17.00; fre 10.00-13.00 Åbningstider for personiig henvendeise: man-ons 8.30-12.00; tor 11.30-17.30; fre 10.00-13.00

OCRfeeder er i stand til at genkende områder med tekst på siden, hvilket gør at den får hele siden med. Men faktisk er den del af teksten de har tilfældes ringere end i YAGF.

[AJenbo]

Hvis ikke lige man gider hente PDF'en så er her orginal teksten som Firefox ser den:

FA1
UDLÆNDINGESTYRELSEN
B. Udtalelse fra kommunen om modtagelse af hjælp efter aktivloven eller integrationsloven i forbindelse med en ansøgning om ægtefællesammenføring, jf. udlændingelovens § 9, stk. 5.
Til brug for behandling af ansøgning om ægtefællesammenføring bedes kommunen oplyse følgende om ansøgers herboende ægtefælle/partner/samlever:
1. Ikke modtaget hjælp
Ansøgers herboende ægtefælle har ikke modtaget hjælp efter lov om aktiv socialpolitik eller integrationsloven i 3 år forud for underskrivelsen af denne erklæring
(kommunen bedes oplyse navn og CPR-nr.)
(sæt kryds)
Navn , CPR-nr.
2. Modtaget hjælp
Ansøgers herboende ægtefælle har modtaget hjælp efter lov om aktiv socialpolitik eller integrationsloven i 3 år forud for underskrivelsen af denne erklæring (kommunen bedes oplyse navn og CPR - nr. samt besvare spørgsmålene nedenfor vedr. ydelsen)
(sæt kryds)
Navn , CPR-nr.
Ydelse 1 Ydelse 2 Ydelse 3 Ydelse 4
Efter hvilken be stemmelse er ydelsen udbetalt?
Ydelsens beløbs mæssige størrelse
Tidspunktet for ud betalingen af ydelsen Er ydelsen direkte relateret til forsørgelse:
a. Er beløbet udbetalt til underhold?
b. Er beløbet ydet til dækning af enkeltstående udgift? Ja Nej Ja Nej Ja Nej Ja Nej
Hvis ja, hvilken form for udgift? Ja Nej Ja Nej Ja Nej Ja Nej
Kan ydelsen sidestilles med løn eller pension, eller træder ydelsen i stedet herfor? * Ja Nej Ja Nej Ja Nej Ja Nej
Eventuelle bemærkninger til ydelsen
*) En sådan ydelse skal som udgangspunkt være en ledighedsydelse udbetalt til personer, der opfylder betingelserne for at modtage fleksydelse med henblik på en tilbagetrækning fra arbejdsmarkedet, en ledighedsydelse til ansatte i fleksjob i forbindelse med afholdelse af ferie eller det tillæg, som kan udbetales til brøk - førtidspensionister efter § 27 a i lov om aktiv socialpolitik.
Til brug for Udlændingestyrelsens journalisering af sagen, bedes kommunen oplyse navn og fødselsdato på den person, der søger om opholdstilladelse (navn og fødselsdato fremgår af pkt. A.1 i anmodning en):
Navn: , Fødselsdato
Sted og dato Kommunens stempel og medarbejderens underskri

Udlændingestyrelsen – Ryesgade 53 – 2100 København Ø – Tlf.: +45 35 30 88 88 – E-mail: aegtefaelle@us.dk – http://www.nyidanmark.dk
Telefontider: man 8.00-15.00; tir-ons 10.00-15.00; tor 12.00-17.00; fre 10.00-13.00
Åbningstider for personlig henvendelse: man-ons 8.30-12.00; tor 11.30-17.30; fre 10.00-13.00
Side 26 af 38

Min dom:
YAGF (tesseract) 40%
OCRfeeder (tesseract) 55%
YAGF+OCRfeeder (tesseract) 80%
Online 95%

[AJenbo]

Forsøgte mig også lige med tesseract direkte ("tesseract -l dan" så den går ud fra dansk). Resultatet krævede lidt manuel oprydning men så kom den faktisk op på 90%.

UDLÆNDlNGE
a.. . , . .1
“““"'“""-“'""'“”“°”“'“““”““" ““7
Til brug for behandling af ansøgning om ægtefællesammenføring bedes kommunen oplyse følgende om ansøgers herboende
åugçgtefælIe/partner/samlever:
1. Ikke modtaget hjælp
Ansøgers herboende ægtefælle har ikke modtaget hjælp efter lov om aktiv socialpolitik eller integratlonsloven i 3 år forud for
underskrivelsen af denne erklæring
(kommunen bedes oplyse navn og CPR-nr.)
(Sæäwds) Navn Å/l c/ØFS J-ené o
2. Modtaget hjælp
Ansøgers herboende ægtefælle har modtaget hjælp efter lov om aktiv socialpolitik eller integrationsloven i 3 år forud for
underskrivelsen af denne erklæring (kommunen bedes oplyse navn og CPR-nr. samt besvare spørgsmålene nedenfor vedr.
ydelsen)
(sæt kryds)
,CPRW O5 0285 - /75 7
Navn _ _ _ j, , , CPR-nr,
Ydelse 1 Ydelse 2 Ydelse 3 Ydelse 4
Efter hvilken bestemmelse er ydelsen udbetalt?
Ydelsens beløbsmæssige størrelse
Tidspunktet for udbetalingen af ydelsen
Er ydelsen direkte
›--'-:- ...gs hi! L-.äø-P* r!n . :CiDLL-l u.. u: luaaüëçexoê.
a. Er beløbet udbetalt til underhold? D Ja D Nej D Ja D Nej D Ja D Nej D Ja D Nej
b. Er beløbet ydet til dækning af enkeltstående udgift? U Ja U Nej U Ja U Nej U Ja U Nej U Ja U Nej
Hvis ja, hvilken form for udgift?
Kan ydelsen sidestilles med løn eller pension, . . . .
eller træder ydelser” U Ja U Nej U Ja U Nej U Ja U Nej U Ja U Nej
stedet herfor? *
Eventuelle bemærkninger til ydelsen
*) En sådan ydelse skal som udgangspunkt vaere en ledighedsydelse ucbetalt til personer, der opfylder betingelserne for at modtage fleksydelse med henblik på en tilbagetrækning fra arbejdsmarkedet, en ledighedsydelse til ansatte l fleksjob i forbindelse med afholdelse af ferie eller det tillæg, som kan udbetales til brok-førtidspensionister efter § 27a i lov om aktiv socialpolitik.
Til brug for Udlændingestyrelsens journalisering af sagen, bedes kommunen oplyse navn og fødselsdato på den person, der
søger om opholdstilladelse (navn og fødselsdato fremgår af pkt. A.1 i anmodningen):
Navn: m, Fødselsdato _ ,
. ,jul-c ntercopenhagen international
Sted og dato Kommunens stempel og medarbejderens unders ri t Gyldenløvesgade 11
'L/- 5 - ' 1600 KøbenhavnV
tf dag' 95% b ”Å” Tlf.: 8256 4600
Email: jci@blf.kk.dk
Udlændingestyrelsen - Ryesgade 53 - 2100 København Ø Tlf.: +45 35 3D 88 88 - E-mail: aegtefaelle@us.dk - http://www.nyidanmark.dk
Telefontider: man 8.00-15.00; tir-ons 10.00-15.00; tor 12.00-17.00; fre 10.00-13.00
Åbningstider for personlig henvendelse: man-ons 8.30-12.00; tor 11.30-17.30; fre 10.00-13.00
Side 25 af 38

(Jeg har kun fjernet ekstra linje skift her for at det ikke fylder for meget)

[zob]

Med tesseract...

Jeg tror vi er enige så.

[AJenbo]

Tjo men hvad så med kvaliteten, den første jeg fandt var jo en god del bedre end det bedste jeg kunne opnå med tesseratct

[zob]

Det kan jeg ikke svare på. Folk må jo prøve sig frem. Det er svært at konkludere noget ud fra et enkelt eksempel. Men du må hjertens gerne sige at tesseract er dårligt for min skyld, jeg har absolut ingen aktier i det og bruger det ikke selv til noget. Og du har sikkert ret i at de fleste gratis online services er bedre. Så, med mindre man skal scripte noget, så må anbefalingen til gtr være en eller anden online service.

[AJenbo]

Det er altid ærgerligt når vi er i den situation, men i det mindste er den gratis og så må man nøjes tesserat hvis man har hemmelige dokumenter

[gtr]

Tak for svar.

Med en screen grapper tog jeg et skærmbillede af kun tekst fra dr's hjemmeside.


Tekst i billedet.

Denne sæson har været et sandt triumftog for Leicester City, der
bare har øget og øget sin position som førerhold i The
Championship.

Lørdag blev det så en realitet, at Kasper Schmeichels klub rykker
op i Premier League til den kommende sæson.

Holdet sejrede selv fredag og var sikker på oprykning, da
nummer tre og fire i rækken tabte lørdag eftermiddag.

Med tesseract i terminalen gav det følgende tekstfil.

Denne saeson har vaeret et sandt triumftog for Leicester City, der
bare har raget og raget sin position som frarerhold i The
Championship.

Lrardag blev det séi en realitet, at Kasper Schmeichels klub rykker
op i Premier League til den kommende saeson.

Holdet sejrede selv fredag og var sikker péi oprykning, da
nummer tre og fire i raekken tabte lrardag efterrniddag.

æ bliver til ae
ø bliver til ra
å bliver til ei

En gang gør den m til rn.

Pænt resultat.

Hvis man fx har en folder alene med jpg billeder, er der en teminal kommando, så alle
billederne i folderen bliver omdannet til en tekstfil pr billede, på en gang?