Oberflächenadministratoren, SMW-Administratoren, SMW-Kuratoren, SMW-Editoren, Oversighter, Administratoren, Widget-Bearbeiter
1.656
Bearbeitungen
Benutzer:DelphiN/OCR: Unterschied zwischen den Versionen
K
→Tools
K (→OCRmyPDF) |
K (→Tools) |
||
| (4 dazwischenliegende Versionen desselben Benutzers werden nicht angezeigt) | |||
| Zeile 1: | Zeile 1: | ||
Ich sammle hier meine Erkenntnisse zur automatischen Schrifterkennung (OCR). ''(Diese Sammlung ist völlig unvollständig und sollte nur mit vorsicht genutzt werden!)'' | Ich sammle hier meine Erkenntnisse zur automatischen Schrifterkennung (OCR). ''(Diese Sammlung ist völlig unvollständig und sollte nur mit vorsicht genutzt werden!)'' | ||
== Links == | |||
* https://ocrmypdf.readthedocs.io/en/latest/cookbook.html#redo-existing-ocr | |||
* https://ub-mannheim.github.io/Tesseract_Dokumentation/Tesseract_Doku_Linux.html | |||
* https://github.com/tsmdt/docs4training-ocr/blob/main/Training-mit-Tesseract.md | |||
* https://opensource.archium.org/index.php/OCR-Workflow | |||
* https://www.vermessungs-bibliothek.de/buch-pdfs-mit-fraktur-ocr/ | |||
== Tools == | == Tools == | ||
| Zeile 29: | Zeile 37: | ||
sudo wget https://github.com/tesseract-ocr/tessdata/raw/refs/heads/main/deu_frak.traineddata | sudo wget https://github.com/tesseract-ocr/tessdata/raw/refs/heads/main/deu_frak.traineddata | ||
sudo wget https://github.com/tesseract-ocr/tessdata/raw/refs/heads/main/deu_latf.traineddata | sudo wget https://github.com/tesseract-ocr/tessdata/raw/refs/heads/main/deu_latf.traineddata | ||
sudo wget https://ub-backup.bib.uni-mannheim.de/\~stweil/ocrd-train/data/Fraktur_5000000/Fraktur_5000000_0.466.traineddata | |||
sudo wget https://ub-backup.bib.uni-mannheim.de/~stweil/ocrd-train/data/Fraktur_5000000/tessdata_best/Fraktur_50000000.334_450937.traineddata | |||
tesseract --list-langs | tesseract --list-langs | ||
==== Tests ==== | |||
Um eine Sprache zu finden die mit der deutschen Frakturschrift klar kommt habe ich folgenden Aufruf verwendet, der einen txt output erzeugt, den man gut vergleichen kann: | |||
tesseract -l deu+deu_frak Scan_007.tif Scan_007.deu+deu_frak | |||
Getestet hab ich folgende Sprachen und Kombinationen: | |||
* deu+deu_frak | |||
* deu+deu_latf | |||
* deu_frak | |||
* deu_frak+deu | |||
* deu_frak+Fraktur | |||
* deu_frak+Fraktur+deu | |||
* deu+Fraktur | |||
* deu+Fraktur_5000000_0.466 | |||
* deu+Fraktur_50000000.334_450937 | |||
* Fraktur1+deu | |||
Die Ergebnisse waren leider ernüchterd. Beste Ergebnisse hatte ich mit '''deu_frak''', doch auch hier wurde alle "s" als "f" erkannt. | |||
=== [https://github.com/ocrmypdf/OCRmyPDF OCRmyPDF] === | === [https://github.com/ocrmypdf/OCRmyPDF OCRmyPDF] === | ||
| Zeile 49: | Zeile 79: | ||
Die Ergebnisse vom Project PERO OCR sind ziemlich beeindruckend. Leider ist beim Mehr-Spalten Layout recht viel Handarbeit nötig. Für Dokumente hilfreich, für ganze Bücher scheinbar nicht ideal! | Die Ergebnisse vom Project PERO OCR sind ziemlich beeindruckend. Leider ist beim Mehr-Spalten Layout recht viel Handarbeit nötig. Für Dokumente hilfreich, für ganze Bücher scheinbar nicht ideal! | ||
=== tools.pdf24.org === | |||
https://tools.pdf24.org/en/ocr-pdf#s=1768668637502 | |||
Ergebnis schlecht. | |||