Аналоги finereader

Подскажите аналоги finereader или лучше не тратить время на поиски, а под виндой пользоваться этой прогой?

tesseract может дать более-менее вменяемое качество. Но не finereader конечно. Если не готов жертвовать качеством – то под вайном идет только в путь. 11 версия вроде. Я пользуюсь.

но как только разметка страницы отклоняется от стандартной, то есть появляются картинки, таблицы, вставочки, то tesseract начинает всасывать с заглотом у finereader. Такие вот пироги.

под вайном идет только в путь

Когда много лет назад пробовал оно работало «в путь», кроме одной важной функции - работы со сканером. Как с этим сейчас?

ни разу не пробовал, кстати. Сканирую всегда в pdf другой программой: simple-scan.

Как ни странно finereader который под линукс. Tesseract вполне годно распознает plain text, а вот в форматирование и таблицы не может. Есть некое подобие ocrfeeder, но с finereader не сравнится. Я использую tesseract в составе башскрипта для снятия скриншота и дальнейшего распознавания и вставки без форматирования.

ЕГа е ЕЛО п Шаецето е й Кодде о арДИТе ИЛ сеаа ееа аТОЛ ее) ор ога ЕТеЦИ Ь ЕОа ААа Я- 1еа о1е о оЕН ото ее НЕ ауе ее еЙ тто л келя < уИа КЕЙ Де н оТЯ ИЕВ но с Ппегеайег не сравнится. Я использую ‘еззегас! в составе башскрипта для снятия скриншота и дальнейшего распознавания и вставки без ПУОН ЫЕ Е ОИИВ

вот как tesseract распознал ваш пост :^)

Как ни странно Ппегеачег который под линукс. Теззегас! вполне годно распознает р1атп 1еху, а вот в форматирование и таблицы не может. Есть некое подобие оспеечег, но с Нпегеадег не сравнится. Я использую {еззегас! в составе башскрипта для снятия скриншота и дальнейшего распознавания и вставки без СЕИ е ЕООВ

еще. непонятно от чего зависит

eng+rus же

не помогает

#!/usr/bin/env bash
#langs=(eng ara chi_sim chi_tra deu ell fin heb hun jpn kor nld rus tur)
#lang=$(printf '%s\n' "${langs[@]}" | ~/.local/bin/menu "$@")
#maim -us | tesseract --dpi 145 -l ${lang} - - | xsel -bi
maim -us | tesseract --dpi 145 -l rus+eng - - | xsel -bi

еще блин результат заманаешься вставлять в лор т.к.

0xc is not a legal XML character

поэтому только скриншот - https://0x0.st/idjN.png

tesseract –dpi 145

Я как-то пользовался распознавалкой текста, виндовой естественно, так вот, для корректного распознавания текста DPI должно быть не ниже чем 360.

на экране столько нет

Есть апскейл и он помогает. Как доберусь до компа, гляну сколько там dpi в тесеракт передается.

Попробуй поднять dpi в редакторе, может поможет.

в каком редакторе? я поставил 360 - тот же самый результат

Ну значит не прокатило.
Суть в том, что буквы на изображених с низким разрешением получаются слишком скачкообразными и рваными.

В общем попробуй увеличить маштаб в браузере с которого делаешь скриншот.

причём тут масштаб и dpi? оно алфавит не может правильно выбрать.

причём тут масштаб и dpi?

При том сколько точек на букву.

Как ни странно Япегеадег который под линукс.
Теззегас вполне годно распознает ра {ехк, а вот в Форматирование >и таблицы не может.
Есть некое подобие осПеечег, но с Япегеадег не сравнится.
Я использую {еззегас в составе башскрипта для снятия скриншота и >дальнейшего распознавания и вставки без форматирования.

Отдельный английский или предложения на английском распознает замечательно.

P.S. У меня апскейл средствами image-magic 300%.

cuneiform 1.1.0 for linux

Как ни странно finereader который под пинукс. Tesseract вполне годно распознает ptain text, а вот в форматирование и таблицы не может. Есть некое подобие ocrfeeder, но с finereader не сравнится. Я использую tesseract в составе башскрипта для снятия скриншота и дапьнейшего распознавания и вставки без форматирования.

convert -negate -adaptive-resize 300% + cuneiform -f text -l ruseng

cuneiform лучше читает с экрана, а вот сканы увы хуже. Но этому наблюдению уже лет 5, за cuneiform не слежу, он развивается?

P.S. Для распознавания pdf использую pdfxchange viewer в вайне, он работает быстрее чем ocrmypdf+tesseract.

cuneiform лучше читает с экрана, а вот сканы увы хуже

Дык зависит от. Некоторые сканы и tesseract как бессвязную кашу вываливает (и 3-й, и 4-й), а cuneiform их прилично распознает. И наоборот. Так что при распознавании djvu десяток случайных страниц распознаю им и тессерактом, чтобы решить, чем распознавать весь документ. Получается примерно 50/50.

за cuneiform не слежу, он развивается?

По-моему нет, только баги правят. Правда я как его собрал последний раз года полтора назад, так обновления больше и не проверял.

Перацкую венду в виртуалку, в венду перацкий finereader. Рекомендую 14-й, он по-моему самый лучший сейчас из всех версий и лучше последнего сейчас - 15-го.

Где-то так. Opensource-ные OCR - это боль и страдание для серьёзной работы. Хотя если качество распознавания не так важно, как автоматизация, то лучше опенсорс, ибо тут уже проприетарные распознавалки - боль и страдание.

Из опенсорсных - самый лучший это tesseract, на втором месте - cuneiform. Tesseract, если всерьёз использовать, надо натренировать на нужный текст, статьи как это делать гуглятся. Тренированный tesseract заметно лучше распознает, но чудес все-равно не жди

А да, чуть не забыл. Предварительно для тессеракта очень сильно желательно, для файнридер просто желательно обработать и подготовить сканы к распознаванию. Рекомендую с помощью ScanTailor. Если есть время и силы разбираться - ScanKromsator

Cuneiform мне эту программу расхваливали точнее ее версию под windiws. Сам не пользовался.

Cuneiform застыл по качеству примерно в 1999-2000 и с тех пор не развивался. Через лет 9 его движок заопенсорсили, а саму программу перевели во freeware. Надежды на улучшение движка не оправдались, его просто быстро портировали под линукс и с тех пор только мелкие баги правили. А ведь даже теоретический материал выкладывали, но никто не стал в математику лезть

грустно

маленькая кучка но под вендой , вообщем не много таких программ

Подскажите аналоги finereader или лучше не тратить время на поиски

Для чего? Что хотим? Какая цель? Что делаем?

а теперь скажи как этот cuneiform запихнуть в скрипт, по типу того что выше

еззегас

Ну всё, теперь это будет всеобщая кличка для Tesseract. Вроде идутвука.

А если серьёзно — его же вроде как для нормального качества обучать надо, или я с чем-то путаю?

О, есть ещё на ЛОРе толковые анонимусы, я раньше про ScanKromsator не слыхал. Погуглил - оно проприетарное, под Windows. Под вайном идёт хоть?

Под вайном идёт хоть?

Согласно википедии — идёт.

Только вот

Написана на Delphi, MMX ассемблер

А сейчас MMX начали выкидывать из процов. Ну да ладно, ещё долго можно будет найти CPU с MMX, я думаю.

оно проприетарное, под Windows.

Не очень то проприетарное, просто закрытое. А чем тебе нативный scantailor не угодил:

• https://sourceforge.net/projects/scantailor/
• https://github.com/scantailor/scantailor
• https://github.com/4lex4/scantailor-advanced
• https://github.com/trufanov-nok/scantailor-universal

Он не то, чтобы не угодил, просто я прочитал фразу:

Если есть время и силы разбираться - ScanKromsator

Наверное, подразумевается, что это время и силы должны как-то окупиться, то есть по достигаемым результатам ScanKromsator будет круче? Или нет?

про ScanKromsator не слыхал

Для бинаризации не обязателен ни scantailor, ни ScanKromsator. Во многих случаях вполне достаточно imagemagick/graphicsmagick:

convert +dither -colors 2 -normalize -compress Group4 you.png you.bw.tiff
gm convert +dither -colors 2 -normalize -compress Group4 you.png you.bw.tiff

Или нет?

Скорее всего. Функционал у ScanKromsator посолиднее, но станет ли от этого обработка проще?

кароче у меня cuneiform не завелся. cuneiform-out.txt пустой

cuneiform -f text -l ruseng ~/pic/1604561860.png

1604561860.png это скриншот того самого поста, без всяких обработок

без всяких обработок

А говорили на ЛОРе дурных нема. Полно!

ну и нахер тогда его

У меня апскейл средствами image-magic 300%.

Imagemagick слишком жирный, жрущий и во многих местах тугой. Для таких целей есть более «модные» средства: https://github.com/ImageProcessing-ElectronicPublications/imageworsener

Его плюс в том, что он есть почти везде. А так, да притензии к нему есть.

Tailor и kromsator нужны в первую очередь для создания хорошей электронной книги, нежели распознавания текста. Finereader нужен в первую очередь для сохранения форматирования книги и перегонки в Ворд. Для технической литературы формат Ворда для меня неприемлем. Для добавления текстового слоя к djvu и pdf tesseract вполне достаточен.

он есть почти везде

Не везде. pnmscale из Netpbm тоже у многих есть. И он не жрёт как сволочь память!

для создания хорошей электронной книги

Растровый текст уже сходу делает книгу нехорошей. Другое дело, что даже ручного векторизатора на пайтоне никто не сподобился соорудить. Хотя известно почему - на пайтоне полная байда с метриками в reportlab, подогнать текст под прямоугольник можно только методом «научного» многотыканья.

Ну я же сказал, что почти))

Я бы с ходу согласился, но нет. У меня рядом лежат две книги 3,5Мб djvu на 160 страниц и 45Мб pdf весь из себя векторный на 100 страниц. И первый гораздо удобнее за счёт своего небольшого размера. А так да, вектор по умолчанию лучше.

Я бы с ходу согласился, но нет.

Твое личное дело.

две книги 3,5Мб djvu на 160 страниц и 45Мб pdf весь из себя векторный на 100 страниц.

Весь?! Мне «весь» не нужен! Мне только текст векторный нужен, чтобы я его поверх чего угодно наложить мог (в отличии от растра), а всё остальное извольте в растр. Ну если это не так, то вбейте гвоздь в голову тому «манагеру», который эту книгу состряпал.

В том то и суть что текст весь векторный в нем.

я раньше про ScanKromsator не слыхал. Погуглил - оно проприетарное, под Windows. Под вайном идёт хоть?

Оно хотя не опенсорс, но чисто freeware. Под вайном идёт.

А сейчас MMX начали выкидывать из процов. Ну да ладно, ещё долго можно будет найти CPU с MMX, я думаю.

Можно подробнее про выкидывание, а то даже слухов не нашёл. Единственно из некоторых компиляторов собираются убрать. Про CPU и речи не было