Описание системы Tesseract OCR
Tesseract – это программный движок с открытым исходным кодом, позволяющий распознавать символы с поддержкой кодировки Unicode и возможностью распознавания более 130 языков, а также с возможностью дополнения для распознавания других языков.
Программное решение Tesseract (рус. Тессеракт) с открытым исходным кодом от компании Google предназначено для распознавания текста (англ. OCR). Программа распространяется бесплатно и доступна для использования по лицензии Apache 2.0.
Программное обеспечение Tesseract может быть использовано непосредственно или при помощи API, позволяя извлекать печатный текст из изображений.
Программный движок Tesseract не имеет встроенного графического интерфейса (GUI), но есть несколько доступных вариантов графического интерфейса от третьих сторон. Система поддерживает широкий спектр языков для распознавания – более 130.
Подробнее: https://opensource.google/projects/tesseract
Читать далее
Назначение системы Tesseract OCR
Разработчик системы Tesseract OCR
Компания-разработчик
Страна
Головной офис
Маунтин-Вью, Калифорния
Распознавание текста с картинки. Python Tesseract ORC + OpenCV
Веб-сайт
https://about.google/intl/ru_ru/
Социальные сети
Вопросы и ответы
Поддерживает ли Tesseract OCR русский язык?
Может ли Tesseract OCR быть установлена на мобильное устройство?
Существует ли бесплатная версия Tesseract OCR?
На каких пользователей нацелен и для кого подходит Tesseract OCR?
На каких операционных системах можно использовать Tesseract OCR?
Есть ли у Tesseract OCR демонстрационная или бесплатная пробная версия?
Популярные аналоги Tesseract OCR
Программное обеспечение B3 – это корпоративное программное решение, объединяющее системы и сотрудников с бизнес-информацией, в которой они нуждаются, и прикладными знаниями, которые необходимы для бизнес-анализа.
F5 Platform – это платформа построения и исполнения бизнес-приложений по анализу данных с использованием алгоритмов машинного обучения. Система направлена на ускорение разработки прикладных приложений, повышение эффективности и культуры бизнес-процессов организации.
Qlik Sense – это программа для бизнес-аналитики (BI), помогающая выявить сведения, которые крайне сложно получить на основе традиционных запросов в базах данных.
RapidMiner – это платформа анализа данных, позволяющая развёртывать прогнозные модели, модели машинного обучения и эффективная при решении разнообразных аналитических задач.
TIBCO Data Science – это комплексная аналитическая платформа, позволяющая применять полный комплекс современных аналитических методов над деловыми данными компании.
МТС Видеонаблюдение и видеоаналитика – это онлайн-сервис для организации интеллектуального наблюдения за автомобилями, пассажирами, сотрудниками и иными рабочими объектами.
Функции Tesseract OCR
Отчётность и аналитика
Многопользовательский доступ
Анализ звуковых данных
Анализ структурированных данных
Наличие API
Администрирование
Анализ визуально-графических данных
Анализ данных текста
Анализ видео-данных
Импорт/экспорт данных
Распознавание текста с картинки на Python | Оптическое распознавание символов Tesseract
Главная > Системы оптического распознавания символов (OCR) > Tesseract OCR
Информация о Tesseract OCR
Tesseract OCR
Специалист
Подходит для
Персональный компьютер, Сервер предприятия
Развёртывание
macOS, Windows, Linux
Графический интерфейс
Тарификация
Русский, Английский, Азербайджанский, Арабский, Белорусский, Бенгальский, Болгарский, Венгерский, Вьетнамский, Греческий, Датский, Иврит, Индонезийский, Испанский, Итальянский, Казахский, Каталонский, Китайский, Корейский, Кхмерский, Латвийский, Литовский, Монгольский, Немецкий, Нидерландский, Норвежский, Персидский, Польский, Португальский, Сербский, Татарский, Турецкий, Украинский, Фарси, Финский, Французский, Хинди, Хорватский, Чешский, Шведский, Эстонский, Японский
Поддержка языков
Не зарегистрирован
Реестр российского ПО
Демо версия
Пробная версия (триал)
Краткий обзор Tesseract OCR
Tesseract – это программный движок с открытым исходным кодом, позволяющий распознавать символы с поддержкой кодировки Unicode и возможностью распознавания более 130 языков, а также с возможностью дополнения для распознавания других языков. Программное решение Tesseract (рус. Тессеракт) с открытым исходным кодом от компании Google предназначено для распознавания текста (англ. OCR). Программа распространяется бесплатно и доступна для использования по лицензии Apache 2.0.
Программное обеспечение Tesseract может быть использовано непосредственно или при помощи API, позволяя извлекать печатный текст из изображений.
Программный движок Tesseract не имеет встроенного графического интерфейса (GUI), но есть несколько доступных вариантов графического интерфейса от третьих сторон. Система поддерживает широкий спектр языков для распознавания – более 130.
Источник: soware.ru
Tesseract что это за программа
Распознавание текста с помощью OCR
Tesseract — это движок оптического распознавания символов (OCR) с открытым исходным кодом, является самой популярной и качественной OCR-библиотекой.
OCR использует нейронные сети для поиска и распознавания текста на изображениях.
Tesseract ищет шаблоны в пикселях, буквах, словах и предложениях. Tesseract использует двухэтапный подход, называемый адаптивным распознаванием. Требуется один проход по данным для распознавания символов, затем второй проход, чтобы заполнить любые буквы, в которых он не был уверен, буквами, которые, скорее всего, соответствуют данному слову или контексту предложения.
Tesseract OCR
Основной задачей было распознавание чеков с фотографий.
Инструментом для распознавания был использован Tesseract OCR. Плюсами данной библиотеки можно отметить обученные языковые модели (>192), разные виды распознавания (изображение как слово, блок текста, вертикальный текст), легкая настройка. Т. к. Tesseract OCR написан на языке C++, был использован сторонний wrapper c github.
Различиями между версиями являются разные обученные модели (версия 4 имеет большую точность, поэтому я использовал её).
Для распознавания нам потребуются файлы с данными для распознавания текста, для каждого языка свой файл. Скачать данные можно по ссылке.
Чем лучше качество исходного изображения (имеют значение размер, контрастность, освещение), тем лучше получается результат распознавания.
Также был найден способ обработки изображения для его дальнейшего распознавания путем использования библиотеки OpenCV. Т. к. OpenCV написан на языке C++ и не существует оптимального для нашего решения написанного wrapper’а, было решено написать собственный wrapper для этой библиотеки с необходимыми для нас функциями обработки изображения. Основной сложностью является подбор значений для фильтра для корректной обработки изображения. Также есть возможность нахождения контуров чеков/текста, но не изучено до конца. Результат получился лучше (на 5-10%).
language — язык текста с картинки, можно выбрать несколько путем их перечисления через «+».
pageSegmentationMode — тип расположения текста на картинке.
charBlacklist — символы, которые будут игнорироваться ignoring characters.
Использование только Tesseract дало точность ~70% при идеальном изображении, при плохом освещении/качестве картинки точность была ~30%.
Vision + Tesseract OCR
Т. к. результат был неудовлетворителен, было решено использовать библиотеку от Apple — Vision. Я использовал Vision для нахождения блоков текста, дальнейшего разделения изображения на отдельные блоки и их распознавания. Результат был лучше на ~5%, но и появлялись ошибки из-за повторяющихся блоков.
Недостатками этого решения были:
1) Скорость работы. Скорость работы уменьшилась >4 раза (возможно, существует вариант распоточивания).
2) Некоторые блоки текста распознавались более 1 раза.
3) Текст распознается справа налево, из-за чего текст с правой части чека распознавался раньше, чем текст слева.
Еще одним из методов определения текста является MLKit от Google, развернутый на Firebase. Данный метод показал наилучшие результаты (~90%), но главным недостатком этого метода является поддержка только латинских символов и сложная обработка разделенного текста в одной строке (наименование — слева, цена — справа).
В итоге можно сказать, что распознать текст на изображениях — задача выполнимая, но есть некоторые трудности. Основной проблемой при распознавании текста с изображения является качество (размер, освещенность, контрастность) изображения, которую можно решить путем фильтрации изображения. При распознавании текста при помощи Vision или MLKit были проблемы с неверным порядком распознавания текста, обработкой разделенного текста. Распознанный текст может быть в ручную откорректирован и пригоден к использованию; в большинстве случаев при распознавании текста с чеков итоговая сумма распознается хорошо и не нуждается в корректировках.
Источник: bytepace.com
Tesseract-OCR
14 апреля, 2014 0
Tesseract-OCR (англ. тессеракт) – свободная компьютерная программа для распознавания текстов, разрабатывавшаяся Hewlett-Packard с середины 1980-х по середину 1990-х, а затем 10 лет «пролежавшая на полке». В августе 2006 г. Google купил её и открыл исходные тексты под лицензией Apache 2.0 для продолжения разработки. В настоящий момент программа уже работает с UTF-8, поддержка языков (включая русский с версии 3.0) осуществляется с помощью дополнительных модулей.
Ядро программы Tesseract-OCR было разработано в Бристольской лаборатории Hewlett Packard и в Hewlett Packard Co, Greeley штат Колорадо в 1985-1994 годах. В 1996 были проведены значительные изменения и подготовлен порт для Microsoft Windows. Затем, с 1998 года – частичная миграция с Си на Си++. Значительная часть кода изначально написана на Си, но проводились доработки для совместимости с Си++ компиляторами.
В настоящее время Tesseract-OCR 3.0 собирается под Linux с GCC 2.95 и старше, а также под Microsoft Windows с Visual C++ 2008 Express и старше (поддержка Visual C++ 6 была удалена в версии 3.0). Код на C++ часто использует множество макросов для реализации контейнеров.
Ссылки
Похожие программы
Pandoc
TEA
FontViewOK
GNU Aspell
VMic
xetranslator
KooBits
Master DBF
Число прописью
[R]Software Editor
Источник: wikiprograms.org
Tesseract что это за программа
Tesseract OCR for Windows mobile
Версия обновилась до 2.04
http://groups.google.com/group/tesseract-ocr
Распознает текст. Построена на нейронных сетях. Разрабатывалась IBM в 1992г.
Возможностей не так много, за то опенсорс. Для распознавания кусков текста подойдет.Прога консольная. Поддерживает несколько форматов изображения tiff, png, jpg, bmp. Может быть из этого получится Finereader на кпк.
Используется так:
tesseract eurotext.tif euro.txt
Собирал VisualStudio Express 2008 c минимальными исправлениями.
Тесты показали, что распознавание картинки 1280х800 на КПК IPAQ hx2490, работающем на частоте 520Мгц происходит за 24с.
А что ВЫ от кпк ожидали?
Основные идеи такие:
-Сделать простенький графический интерфейс.
-Сделать просмотр картинки и результата.
-Сделать выбор области распознавания.
-Сделать настройку контраста, яркости, интенсивности изображения, ластик.
-Исходник
-исполняемый файл
-DLL прилагаются.
Свежая сборка для тестирования: Tesseract (Пост #5704289)
Прикрепленные файлы
14.10.09, 23:35 | #2
●
Разработчики
Реп: ( 281 )
У кого установлена VS 2008 с платформбилдером
Я сколько ни бился, платформ билдер на 2008 студию не ставится. Только на 2005. Может, я чего и недопонял.
15.10.09, 02:40 | #3
●
Админы
Реп: ( 0 )
trashkalmar,
Я сколько ни бился, платформ билдер на 2008 студию не ставится. Только на 2005. Может, я чего и недопонял.
всё верно. гдет на сайте мелкомягких было на эту тему что-то. в общем пока платформбилдер полностью новый не выйдет — можно не ждать на 2008 студии оного.
15.10.09, 12:13 | #4
●
Разработчики
Реп: ( 114 )
А я думал это у меня одного глюки с 2008 студией. Ну ладно. Значит надо пробовать собирать проект чем-нибудь другим.
15.10.09, 15:14 | #5
●
Разработчики
Реп: ( 114 )
Установил студию на виртуальный ПС изначально с СДК и все заработало.
Пробовал собирать.
Под х86 собирается замечательно.
Под АРМ вылезают какие-то ошибки. Сама по себе прога консольная, но в комплект входит интерфейс для явы, басика и .НЕТ. Из-за него вылезают какие-то странные ошибки. Еще по каким-то причинам компилятор не находит функций работы с файлами read write fseek. Будем думать дальше.
16.03.10, 16:21 | #6
●
Разработчики
Реп: ( 114 )
Пробовал собирать Cygwin-ом. Понятное дело с отключенным графическим интерфейсом. И. Оказалось, что дефайны расставлены неправильно. Вылезает куча ошибок при сборке юнитов графического интерфейса ScrollView. Хотя оно должно быть отключено, т.к. собирается консольная прога.
Пробовал собирать проект как из SVN, так и из тарбола. Пробовал собирать проекты разных версий. И везде одно и тоже — не собирается. А самое интересное, что ошибки везде разные. А может быть это глюки компилятора.
Скорее всего он не умеет собирать такие сложные проекты.
16.03.10, 22:49 | #7
●
Разработчики
Реп: ( 114 )
Выяснилось, что это действительно глюк цугвина. Когда я убрал лишние дефайны — проект скомпилировался, но не собрался. Сейчас думаю как собирать.
Источник: 4pda.to