Да просто взять несколько страниц из книг, газет и журналов и глянуть, у кого будет самый близкий к оригиналу результат. Распознавание на цветном фоне тоже неплохо бы потестировать, это как раз в журналах часто встречается.

«Полная версия программы стоит 149 евро, при этом количество распознаваемых страниц ограничено величиной 12000 в год.» - Закопать и забыть место погребения... ональный зонд со счетчиком сводит на нет все достижения ABBYY.

> Хз. Вроде, в статье приводилась ссылка на онлайн-сервис с этим движком. Может там?

FineReader и FineReader Engine - разные вещи

>> Надо еще вытаскивать контекст.

ну для этого не оцр программа нужна

Да ладно. Хотя если подходить формально, то да. Но ведь у нас цель - получить не только текст. А форматирование, отделить колонтитулы, определить, где ссылки и тд.- а это уже контекст

У ABBYY очерь различные лицензии. Выбирайте любую

>Минимальный пакет стоит 3$ за 20 страниц

в век компьютерных технологий за 20 вонючих страниц 3 бакса, шош вы жадные такие, за 3 бакса можно студента нанять шоб распознал :)

вобще статейка неплохая, всю не читал но в одном месте собрать инфу о разных продуктах это хорошо

Да просто взять несколько страниц из книг, газет и журналов и глянуть, у кого будет самый близкий к оригиналу результат. Распознавание на цветном фоне тоже неплохо бы потестировать, это как раз в журналах часто встречается.

Можно, но нужно очень чётко выработать критерий близости. Ясно, что жирный шрифт должен быть жирным, шрифт без засечек и наклонный должны выделяться, но как только мы начинаем выбирать гарнитуру, уже становится сложно. Дальше, там наверняка есть разные рамочки, горизонтальные и вертикальные линии, рисунки, возможно, даже графики. Как оценивать точность их воспроизведения? В какой формат интегрировать результат (чтобы он поддерживал всё это форматирование) --- ODF?

В общем, я не утверждаю, что подобный тест можно составить, но дело это хлопотное и, вполне возможно, бестолковое.

FineReader и FineReader Engine - разные вещи

Да, видимо так. Ну тогда точно хз.

Ну что, ocrodjvu теперь нужен? :)

Cuneiform-Refactoring

Сергей Полтавский серьёзно пилит этот кьюниформ и Qt-морду для него quneiform:

вот тут
https://code.launchpad.net/~serge-uliss/cuneiform-linux/refactoring
и тут
https://code.launchpad.net/~serge-uliss/cuneiform-linux/gui

Кто плачет, что что-то не так и недостаточно хорошо - вперёд, с песней, ему помогать.

Да, deb-ы этого дела можно взять у notesalexp. Оно, конечно, иногда выпадает в кору неожиданно (я про гуй), но уже работает.

Добавлю, что у gocr достаточно хороший уровень распознавания англ. текста. Код же гокра ужасен - чтобы добавить поддержку нового языка надо фактически переписать полностью программу

Интересная статья с большим количеством полезной информации.

InftyReader

Это вообще Линус сказал

Да? Я вот кроме Cuneiform давно ничего интересного не видел. Ну да, проект Ocrad опять зашевелился, но где он в сводной таблице тестирования? А в итоге выиграл FineReader, который и не свободный вовсе. Поэтому мой выбор - Cuneiform.

Сомневаюсь. Если он действительно работает, то там должен быть такой алгоритм распознавания, что стоимость программы будет не меньше десятка-другого килобаксов...

> Закопать и забыть место погребения... ональный зонд со счетчиком сводит на нет все достижения ABBYY.

Очень интересно где они в Linux сумели свой хитрый, необнуляемый счетчик сделать. А то напрашивается diff /home до установки и после с последующим patch-ем как оно переполнится. Даже если они замастырили сервис, который что-то куда-то пихает с правами root, дык все равно на раз вычисляется. Это вам не виндовсь, хотя и там можно.

Кстати, там в тексте третьего образца резкость ни к чёрту. После экспорта из JPEG в PBM получается тот ещё раритет - сам не могу прочитать что написано.

Дело даже не в том работает или нет, а в том что цена ошибки в формуле намного выше, чем в печатном тексте. Потому что печатный текст информационно сильно избыточен и обычно можно восстановить текст даже после серьезных опечаток. Чего не скажешь про формулы.

Пробовал. Работает. Стоит 180 долларов за установку на два компьютера. Ограничение: кириллицу не распознаёт. Но мне и не нужно.

Справедливости ради, восстановить текст после ошибки распознавания в цифре весьма трудно. Поэтому довод несостоятелен.

InftyReader сохраняет в формате LaTeX, поэтому внести исправления не составляет труда.

Очистить ты можешь счетчик. Только зачем тебе это надо?

Процесс верификации данных сложнее

>Ну, нашли с чем сравнивать... , а ,,, довольно молод.
Это не аргумент :)

Основная масса работы по качеству - соотв. обучение.
и к версиям ПО (читаем - молодости / старости) оно имеет, прямо скажем, небольшое отношение.

Так что, если распознает коряво или хорошо - с возрастом системы данный фактор будет меняться незначительно.

ну так я ж не против. я просто привел соответствие его фразы с русской реальностью )))

Патенты - самые главные палки в колеса свободных OCR.

>В целом можно отметить, что широко распространенное суждение о том, что для Linux нет хороших систем оптического распознавания текста, сегодня уже не выдерживает критики.

4.2 Кроме платного онлайн файнридера (ну или консольного файнридера) всё остальное полный шлак уровня конца 90-х годов. А Гуи у этих программ это и вовсе «привет 80-е».

Не надо в этой области петь про патенты.

Как не надо: в области распознавания изображений вообще работа - как хождение по минному полю: куда ни плюнь, все огорожено патентами...

Ну, шрифты, как правило, большей частью стандартные везде применяются. Распознавать готический шрифт не так уж часто нужно. :)
А рамочки, рисунки и графики распознавалка должна отрабатывать. Хотя бы как изображения.

Формат - можно odf, можно тот же docx (хотя лучше не надо, вспоминая как ОО с ним работает).
HTML, на худой конец (хотя это уже из области извращений).

Ну так что же ты медлишь с приведением примера патента, огораживающего качество распознавания?

Интересная статья с большим количеством полезной информации.

Погугли, подобных патентов полным-полно.

> Очистить ты можешь счетчик. Только зачем тебе это надо?

Ну типа на случай проверок всяких, одно дело если 100% пиратка и совсем другое, если где-то какой-то счетчик иногда правится. Возможно даже как бы и не нарочно путем бэкапа.

Доказать подобное нарушение не очень просто, хотя и можно, если чисто по объемам прикинуть. Смысл возиться со счетчиком может иметься у госпредприятия, если не дают денег на нормальную версию, а обрабатывать большой массив документов нужно. У остальных при таких объемах работы найдутся и деньги.

Вообще, смысл подобных ограничений от Abbyy в том, что у них есть очень дорогие продукты для автоматизации работы. FineReader Engine и Recognition Server и они всячески препятствуют тому, чтобы обычные версии FR могли быть использованы для автоматической обработки больших массивов. У виндовой GUI версии кажется нет ограничения на количество распознаваемых страниц, но и автоматически с ней не очень-то поработаешь даже с помощью разных утилит GUI-автоматизации.

Кроме того они нарочно закрывают рабочий формат распознавания в котором хранится разная служебная инфа, включая координаты символов и на базе которых можно было бы сделать экспорт в нужный формат, например, для OCR-слоя djvu или еще чего. Хотя и расковыривали в 8-ой версии, но в новых пока вроде не добились.

Да с цифрами тоже сложно, я забыл об этом. Можно считать цифры в документе частным случаем формулы и примером куда больших проблем при распознавании формул.

InftyReader сохраняет в формате LaTeX, поэтому внести исправления не составляет труда.

Так смысл в том, чтобы знать что вносить.

Интересная статья с большим количеством полезной информации.

Вот чорд. то ли связь глючит, то ли движок форума. У меня сообщение всё время висело как не отправленное. Да и в последний раз тоже не отправилось, просто я догадался проверить обсуждение

> Интересная статья с большим количеством полезной информации.

Статья хорошая, но зачем это три раза постить?

> Вот чорд. то ли связь глючит, то ли движок форума.

Дык почисть дубли.

«OCR image preprocessing method»

Мимо. Содержимое патента описывает способ улучшения качества изображений для последующего распознавания. Каким боком оно относится, собственно, к качеству распознавания (т.е. нейросети, шаблоны, оригинальные методики обучения систем и т.п.)?

> Так что, если распознает коряво или хорошо - с возрастом системы данный фактор будет меняться незначительно.

Это просто ИМХО. Если пилить именно алгоритмы распознавания, а не UI и алгоритмы форматирования распознанного текста и т.п., будет профит. Проверено.

А cuneiform уже можно использовать в реальной жизни, в которой есть форматирование?

Отвратительный обзор

Что так в лом распечатать и отсканировать?

Учитывая что большинство свободных систем пока заточены на 600-300 dpi, то на них и нужно тестировать. В особенности накладывание фильтров, если хочется выпендриться.

З.Ы.: Tesseract рулит, но вот где тренировочные данные используемые Google Docs и Free OCR для него? А то поставляемые с T3 заточены только под большие разрешения.

Вы что-то путаете, в основном OCR используют 200 или 300 dpi. Больше там и не желательно. Хотя если вам так хочется тратить чернила на 600dpi чтобы быть круче яйца^W^W^Wпотом сканировать 600dpi...

Обзор и правда фигня, лучше уж посмотреть этот и этот и поиграться с cuneiform и tesseract отсюда чем смотреть всякую кривую проприетарщину. Ну поставте FineReader если хочется, но остальное-то зачем? Для чего?

О, tesseract жив и даже неплох! Я как-то давно думал, что он совсем рип. Радует, очень радует.
Cuneiform использовал недавно. Для обычного текста у него вполне приемлемое качество. Жаль, что развивается очень медленно и иногда.

я ниже уже кидал ссылку на ocrodjvu, но ты ведь просто так сказал... читать ответы не будешь.

По первой же ссылке в скрипте устанавливается 600dpi. И да про 300dpi я то же говорил, но для того же Tesseract 10pt*300dpi - считается нижней разумной границей.

Собрал tesseract и был приятно удивлён качеством распознавания. В образце 2 ошибок при прочтении не нашёл. От удивления скачал и заставил работать tesseract-gui - кривенькая программа, пришлось поправить путь к данным и жёстко задать язык распознавания, так как активировать выбор языка в GUI мне не удалось.

>Tesseract рулит, но вот где тренировочные данные используемые Google Docs и Free OCR для него?
Так вот же:
http://code.google.com/p/tesseract-ocr/downloads/list