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.

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

Unter Ubuntu 8.04 kann tesseract 2.00 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.

Besser allerdings ist es, tesseract von der offiziellen Homepage herunterzuladen (dort steht Version 2.03 bereit) und selber zu kompilieren.

$ 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

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