Benutzer:DelphiN/OCR

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

Tesseract

Als erstes müssen wir sicherstellen tesseract ist installiert:

 sudo apt-get install tesseract-ocr jbig2

Wir müssen noch mindestens die Sprache Deutsch nachinstallieren:

 sudo apt search tesseract- lang | grep deu
 sudo apt-get install tesseract-ocr-deu

Unterstützung für Frakturschrift installieren:

 sudo apt search tesseract- script | grep frak
 sudo apt-get install tesseract-ocr-script-frak

Ich hatte Probleme einzelne Sprachen und Schriften nachzuinstallieren und hab deshalb tesseract-ocr-all installiert:

 sudo apt-get install tesseract-ocr-all

Außerdem hab ich noch zusätzliche unterstützdende Daten nachinstalliert:

 cd /usr/share/tesseract-ocr/5/tessdata
 sudo wget https://github.com/tesseract-ocr/tessdata_best/raw/refs/heads/main/script/Fraktur.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://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

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.

OCRmyPDF

Gute Anleitung: https://ub-mannheim.github.io/Tesseract_Dokumentation/OCRmyPDF_Windows_und_Linux.html

Wenn tesseract installiert ist können wir versuchen PDFs zu transkribieren;

 ocrmypdf --output-type pdf --redo-ocr -l deu+deu_frak Dokument-images.pdf Dokument-deu_frak.pdf
 ocrmypdf --redo-ocr -l deu+deu_frak+deu_latf Dokument-images.pdf Dokument-deu_frak.pdf

Die erbebnisse mit ocrmypdf und tesseract waren für Frakturschrift sehr schlecht und quasi unbrauchbar :-(

https://github.com/JaidedAI/EasyOCR (uses www.jaided.ai)

Einfache Tests mit jaided.ai waren sehr schlecht. Nicht zu gebrauchen für deutsche Frakturschrit.

https://pero-ocr.fit.vutbr.cz

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.