tesseract

Der Shell-Befehl tesseract ist ein Texterkennungs-Programm. Es ist ein reines Zeichenerkennungsprogramm ohne Analyse von Seitengestaltung oder die Verwendung statistischer Sprachmodelle sowie ohne grafische Benutzeroberfläche. Auf Zeichenebene bietet es jedoch sehr gute Ergebnisse und lässt sich grundsätzlich für beliebige Zeichensätze und Sprachen trainieren. Für die Sprachen Deutsch, Englisch, Französisch, Italienisch, Spanisch und Niederländisch werden fertige Trainingsdaten mitgeliefert.

Seit 2006 wird das Programm als Grundlage von Google Books weiterentwickelt. Es dient als Texterkennungsmodul in Ocropus, das zusätzlich noch Analyse der Dokumentgliederung und statistische Sprachmodelle bietet. Für die Sprachen Englisch, Französisch, Italienisch, Deutsch, Spanisch und Niederländisch sind bereits Texterkennungsdaten vorhanden. Teilweise ist auch die Texterkennung von Texten in Frakturschriften möglich.

Installation

Ubuntu 8.04 Hardy Heron

tesseract 2.00 kann mittels apt-get automatisch installiert werden.

$ sudo apt-get install tesseract-ocr \
    tesseract-ocr-deu tesseract-ocr-eng tesseract-ocr-fra

Die tesseract-Dateien sind danach unter "/usr/share/tesseract-ocr/tessdata" installiert.

tesseract 2.03 kann direkt von der offiziellen Homepage heruntergeladen werden - allerdings lässt es sich weder mit checkinstall noch mit "make install" installieren:

$ wget http://tesseract-ocr.googlecode.com/files/tesseract-2.03.tar.gz
$ tar xzf tesseract-2.03.tar.gz
$ cd tesseract-2.03
$ ./configure
$ make
$ sudo checkinstall
$ sudo make install
...
Making install in java
make[1]: Betrete Verzeichnis '/home/mik/backup/software/linux/Ubuntu8.04/tesseract-2.03/java'
make[1]: *** Keine Regel, um »install« zu erstellen.  Schluss.
make[1]: Verlasse Verzeichnis '/home/mik/backup/software/linux/Ubuntu8.04/tesseract-2.03/java'
make: *** [install-recursive] Fehler 1

Verwendung

Zeichenerkennung in der Datei "file.tif". Das Ergebnis wird in die Datei "result.txt" geschrieben.

$ tesseract file.tif result

Weblinks

Herausgeber	Sprache	Webseitentitel	Anmerkungen
Google	eng	tesseract-ocrwbm Training tesseract : how to use the tools provided to train tesseract for a new language	Offizielle Homepage
Wikipedia	eng	Tesseract (software)wbm	Enzyklopädischer Artikel
Sourceforge	eng	Tesseract wrapper script for almost any imagewbm	Skript