Ce site est optimisé pour être consulté depuis un navigateur moderne dans lequel JavaScript est activé.

Open Office, Reconnaissance de caractères, Xsane, Kooka et Cie...

zarer

Salut Sorbus !

Bonsoir à tous !

Une nouvelle version de gscan2pdf => un nouvel article sur Linux On The Root ! Avec son petit lot de nouveautés...

@+

PS: je vais tester si j'ai un peu de temps dans les jours qui viennent cette nouvelle solution (ocube) Sorbus... Et je viendrai au rapport !

Sorbus

Salut Zarer !

Merci pour ce nouvel article.
J'ai désinstallé sur mon fixe la version 2.01 tesseract "compilée", et je l'ai réisntallée par le deb de b52, qui est maintenant bien au point.

J'ai ajouté aussi ce mode d'installation dans la documentation Ubuntu francophone, après l'avoir testé. Pour les détails, un lien pointe vers ton article dans Linux on the root 😉

Je n'ai pas désinstallé/résinstallé gscan2pdf.

J'ai ajouté dans le paragraphe de l'installation avec le b52 la méthode pour installer d'autres langues... car ça peut intéresser du monde (j'ai installé l'allemand, l'italien et l'espagnol) : tout va bien.

Tu peux ajouter un lien dans ton article pour la méthode d'installation d'autres langues : http://doc.ubuntu-fr.org/tesseract-ocr#en_utilisant_le_paquet_deb_de_b52

Je te propose de modifier quelques autres liens de ton article :

"lot de corrections et dâ€™améliorations." (je tombe sur "Not Found", il doit falloir rectifier le lien),

"après les avoir copiés dans le répertoire idoine"
--> http://doc.ubuntu-fr.org/tesseract-ocr#en_compilant_depuis_les_sources

"la page réservée à Tesseract-ocr (de la documentation dâ€™Ubuntu-fr.)
--> le paragraphe expliquant cette méthode d'installation sur la page réservée à Tesseract-ocr (de la documentation dâ€™Ubuntu-fr.)
http://doc.ubuntu-fr.org/tesseract-ocr#en_compilant_depuis_les_sources

Petite précision que tu pourrais ajouter ici : "Il est naturellement possible (si vous y tenez... libre à vous ! ou si vous avez installé ubuntu/debian en architecture amd64) dâ€™installer la version actuelle de Tesseract en récupérant les sources sur la page du projet tesseract-ocr."

Important :
Après installation du paquet de b52, j'ai vérifié que j'avais toujours accès à tesseract avec l'option -l fra dans XSane (cf. l'adaptateur xsane2tess de MadMax (inspiré de ocube)).
Réponse : oui, ça fonctionne parfaitement.

J'ai noté que sur le forum de Mandriva Allemagne, ils avaient tenté ces jours-ci d'intégrer l'adaptateur xsane2tess dans leur paquet rpm de la version 2.01 de tesseract. Ce serait peut-être une piste à suivre pour la version tesseract_2.02-4_i386 du paquet deb de b52...

Il y a des éléments par ici,
et à partir de là .

zarer

Salut Sorbus !

On a maintenant bien avancé sur le sujet ! Génial ! Les solutions proposées sont pour le moins efficaces... pour le plus grand confort de tous.

Sorbus a écritSalut Zarer !

Merci pour ce nouvel article.
J'ai désinstallé sur mon fixe la version 2.01 tesseract "compilée", et je l'ai réisntallée par le deb de b52, qui est maintenant bien au point.

Nickel ! Tu confirmes que tout ça est au point...

Sorbus a écritJ'ai ajouté aussi ce mode d'installation dans la documentation Ubuntu francophone, après l'avoir testé. Pour les détails, un lien pointe vers ton article dans Linux on the root 😉

Merci pour ce lien. Cette collaboration est une affaire qui roule !

Sorbus a écritJe n'ai pas désinstallé/résinstallé gscan2pdf.

Nul besoin en effet, si tu avais la toute dernière version...

Sorbus a écritJ'ai ajouté dans le paragraphe de l'installation avec le b52 la méthode pour installer d'autres langues... car ça peut intéresser du monde (j'ai installé l'allemand, l'italien et l'espagnol) : tout va bien.

Clairement... oui, c'est une excellente idée ! Je vais pointer vers la doc pour l'installation d'autres langues.

Sorbus a écritTu peux ajouter un lien dans ton article pour la méthode d'installation d'autres langues : http://doc.ubuntu-fr.org/tesseract-ocr#en_utilisant_le_paquet_deb_de_b52

Tu as parfaitement raison, c'est un plus indéniable. Le lien est fait !

Sorbus a écritJe te propose de modifier quelques autres liens de ton article :

"lot de corrections et d’améliorations." (je tombe sur "Not Found", il doit falloir rectifier le lien),

Corrigé.

Sorbus a écrit"après les avoir copiés dans le répertoire idoine"
--> http://doc.ubuntu-fr.org/tesseract-ocr#en_compilant_depuis_les_sources

"la page réservée à Tesseract-ocr (de la documentation d’Ubuntu-fr.)
--> le paragraphe expliquant cette méthode d'installation sur la page réservée à Tesseract-ocr (de la documentation d’Ubuntu-fr.)
http://doc.ubuntu-fr.org/tesseract-ocr#en_compilant_depuis_les_sources

Petite précision que tu pourrais ajouter ici : "Il est naturellement possible (si vous y tenez... libre à vous ! ou si vous avez installé ubuntu/debian en architecture amd64) d’installer la version actuelle de Tesseract en récupérant les sources sur la page du projet tesseract-ocr."

Fait ! Personne chez nous n'utilise cette architecture... Nous n'y pensons jamais.

Sorbus a écritImportant :
Après installation du paquet de b52, j'ai vérifié que j'avais toujours accès à tesseract avec l'option -l fra dans XSane (cf. l'adaptateur xsane2tess de MadMax (inspiré de ocube)).
Réponse : oui, ça fonctionne parfaitement.

Ce prolongement pourrait faire à lui seul un article : xsane2tess (xsane + tesseract) !

Sorbus a écritJ'ai noté que sur le forum de Mandriva Allemagne, ils avaient tenté ces jours-ci d'intégrer l'adaptateur xsane2tess dans leur paquet rpm de la version 2.01 de tesseract. Ce serait peut-être une piste à suivre pour la version tesseract_2.02-4_i386 du paquet deb de b52...

Il y a des éléments par ici,
et à partir de là.

L'affaire est à suivre...

hector

Ce transparent tiré du site ocropus:
1/ est encourageant
2/ recoupe les tests de sorbus
(sauf qu'il y de la mise en page d'oà¹ le mauvais comportement de tesseract...)

🙂

ferker

'soir Sorbus and co,

Il faudrait peut-être signaler dans le tuto http://doc.ubuntu-fr.org/tesseract-ocr#en_compilant_depuis_les_sources que le paquet gs-common a été remplacé par le paquet ghostscript, par exemple :

En compilant depuis les sources

C'est pour l'instant la seule façon d'installer tesseract 2.01 si vous avez installé Ubuntu en 64 bits.

Préalable: assurez vous que ghostscript (qui a remplacé gs-common), libtiff4dev et build-essential soient installés

Sinon, au delà de l'utilité de ce tuto, vous suivre sur ce forum m'a beaucoup appris sur une façon de contribuer à améliorer les logiciels libres. :cool:

Dom

@ sorbus

Je réponds très tard à ton message, mais mes activités tant professionnelles que familiales m'empèchent d'être très réactif.

= Réponses à tes questions :
J'utilise la version packagée de tesseract.
Je confirme que lorsque je lance tesseract en ligne de commande rien ne se passe ; ça bloque avant la fin du processus de reconnaissance et que j'ai un rejet des fichiers au format .tiff. Par contre lorsque je passe par gscan2pdf (avec threshold et unpaper) tout marche ...
Je scanne avec Xsane.

= Autres remarques :
Travaillant sur des textes scientifiques et des tableaux de valeurs, j'ai eu pas mal d'OCR à faire cette semaine ; je suis impressionné par la qualité des résultats ; la structure des tableaux étant respectée je les retransforme assez facilement en tableaux avec OpenOffice ; les formules mathématiques sont assez martyrisées mais en récupérant ce qui sort de l'OCR en copier/coller vers l'éditeur d'équation d'OpenOffice, j'ai un gain de temps par rapport à une simple refrappe.

bernic

Bonjour
Je suis ce post depuis déja un bon moment.... il y a 144 interventions.... serait il alors possible de tout remettre à plat pour avoir un suivi qui soit opérationnel et donc fonctionnel..... un petit tuto par exemple.

Il est facile,me direz vous pour moi de faire cette suggestion, alors que je suis dans l'impossibilité d'apporter mon aide.... je n'ai pas les compétences.

C'était une simple suggestion et j'ai bcp de respect pour tous les membres de ce forum qui m'ont apporté bcp jusqu'ici.

Bonne journée à tous;)

Leonux

Salut Bernic

serait il alors possible de tout remettre à plat pour avoir un suivi qui soit opérationnel et donc fonctionnel..... un petit tuto par exemple

Ben, je crois que tu l'as ici : http://ubunteros.tuxfamily.org/spip.php?article160 😉

bernic

Y a vraiment des fois, oà¹ je ferais mieux de rester couché !:rolleyes:

Merci beaucoup

Sorbus

@bernic,
Oui, comme dit Leonux, on se sert de ce fil de discussion (et autres échanges) pour partager nos découvertes et remarques... Mais dès que nous avons assez d'éléments, on en fait de petites synthèses utiles :
--> Linux on the root
--> Documentation Ubuntu francophone
Les deux étant "connectés" entre eux par quelques liens...

@ferker
le paquet gs-common a été remplacé par le paquet ghostscript
Je veux bien modifier le tutoriel sur ce point... Mais je n'en sais pas assez. Je vois que le paquet gs-common est toujours disponible dans les dépà´ts de Gutsy... peut-on vraiment dire que l'un a remplacé l'autre ? Si on suit le tuto en installant gs-common et non ghostscript, ça ne marche pas ?

Si tu peux en dire un peu plus d'après les infos que tu as (ou ce que tu as constaté)... et je modifierai le tuto en fonction.

@hector
Merci pour ce document... Encourageant. Mais il montre aussi qu'il y a encore du boulot. Même pour Ocropus par rapport à Omnipage ou Finereader... et les "derniers mètres" sont toujours les plus difficiles à gagner. Mais il va falloir quand même commencer à "flairer" du cà´té d'Ocropus. J'ai trouvé ce lien :
http://groups.google.com/group/ocropus/web/ocropusfrench. Pas grand chose pour l'instant... On le laisse tout seul ?

@Dom,
Rien n'urge 😉 Le forum gardant nos échanges... On arrve tj à se répondre même avec des messages plus espacés.

Je confirme que lorsque je lance tesseract en ligne de commande rien ne se passe ; ça bloque avant la fin du processus de reconnaissance.

As-tu un message d'erreur ? Pourrais-tu nous copier-coller la commande que tu lances (avec l'éventuel message d'erreur s'il y en a un) ?

j'ai un rejet des fichiers au format .tiff.

en ligne de commande ou avec gscan2pdf ?

@Dom, à propos de tes tests sur des tableaux.

je suis impressionné par la qualité des résultats ; la structure des tableaux étant respectée je les retransforme assez facilement en tableaux avec OpenOffice

Je suis surpris, mais très intéressé. Pourrais-tu nous donner un exemple de tableau... Dire comment tu as procédé... Nous donner le résultat brut de la ROC avec gscan2pdf (pour qu'on voit en quoi la structure du tableau est respectée)... Nous dire les manips faciles permettant de le retransformer en tableau avec OpenOffice (Writer ou Calc) ?

hector

Bonsoir,
Je crois qu'à un moment dans ce fil, vous vous demandiez ce que faisait exactement l'option "unpaper": voici ce que j'ai trouvé, je ne sais pas si ça peut vous être utile: http://unpaper.berlios.de/.
En gros, unpaper essaie de nettoyer les images scannées en enlevant les coins sombres de la page (obtenus typiquement après photocopie de livres) et essaie de détecter et corriger les lignes non alignées voire circulaires (cas classique d'une photocopie de gros bouquin).

édition: je viens de relire la page 5 de ce fil , et vois que vous connaissiez déjà cette page... au temps pour moi!

Sorbus

Une nouvelle version de gscan2pdf (0.9.21) est disponible depuis le 1er février. Je n'ai pas étudié les nouveautés... Pas encore de possibilité de faire une "prénumérisation" et de pouvoir sélectionner une zone de texte.

Autre chose : j'ai noté que gscan2pdf subit un bug de certaines versions de imagemagick (dont celle disponible dans les dépots Gutsy) pour convertir les fichiers JPG en TIF.

ferker

à€ propos de ce queje disais page 6 :"Le paquet gs-common a été remplacé par le paquet ghostscript."

Voilà ce qe j'ai dans synaptic pour gs-common (version 8.61.dfsg.1~svn8187-Oubuntu3.3 (gutsy updates)

Transitional package
This dummy package is provided for a smooth transition from the
previous gs-.../gs-common combo (the packages are replaced by ghostscript).
It may safely be removed after installation

.

Je n'en sais pas plus...

Dom

@Sorbus
Le problème de non fonctionnement de tesseract en ligne de commande a disparu depuis que j'ai réinstallé suivant la dernière procédure décrite ; c'est donc du passé.
Par contre le format .tiff est toujours rejeté ; voilà ce que j'obtiens :

dom@ordisup:~$ tesseract /home/dom/Documents/Images/Iscan/102b.tiff /home/dom/Desktop/essai
Tesseract Open Source OCR Engine
name_to_image_type:Error:Unrecognized image type:/home/dom/Documents/Images/Iscan/102b.tiff
IMAGE::read_header:Error:Can't read this image type:/home/dom/Documents/Images/Iscan/102b.tiff
tesseract:Error:Read of file failed:/home/dom/Documents/Images/Iscan/102b.tiff
Signal_exit 31 ABORT. LocCode: 3  AbortCode: 3

Pour l'usage de la ROC avec des tableaux, je rédige un autre message.
Enfin, avec le nouveau paquet de Gscan2pdf je peux lancer le scanner (HP Photosmart 2575 Tout-en-un) directement depuis gscan2pdf ; la ROC s'enchaà®ne automatiquement derrrière si on le souhaite ; le seul inconvénient est que l'on ne peut choisir le morceau de page dont on veut faire la reconnaissance.

Dom

Pour faire de la reconnaissance à partir de tableaux voilà la procédure un peu lourde que j'ai utilisée ; j'ai pris un exemple avec un petit tableau pour lequel l'usage de la ROC n'est pas utile (il vaut mieux ressaisir).
1. Je scanne le tableau que je veux reconnaà®tre au format .tif et à la résolution de 300 dpi.
2. J'ouvre gscan2pdf et j'importe le fichier ; je le traite avec Outils > Seuil puis Outils > unpaper et enfin Outils > ROC ; j'obtiens :

3. Je copie/colle vers OpenOffice/texte ; je nettoie pour enlever les coquilles et laisser un espace entre le contenu des cellules :

4. Je lance Edition > Remplacer pour remplacer les espaces par des apostrophes :

J'obtiens :

5. Pour obtenir un tableau j'utilise Tableau > Convertir > Texte en tableau et je choisis la séparation, apostrophe :

On obtient :

6. Si je veux que le tableau soit repris dans une feuille de calcul je procède ainsi ; je copie le texte nettoyé et le colle dans une feuille de classeur avec collage spécial en choisissant texte non formaté :

je choisis alors la séparation par apostrophe :

et on obtient :

Voilà , voilà . Il doit y avoir plus simple, mais en attendant ...

Sorbus

le seul inconvénient est que l'on ne peut choisir le morceau de page dont on veut faire la reconnaissance.

Oui, c'est encore un gros inconvénient que plusieurs d'entre nous ont souligné. Pas de prévisualisation... donc aucune possibilité de sélectionner un morceau de page (une zone du texte).

@ zarer
A ce sujet, puisque vous (Linux on the root) aviez eu un premier contact avec Jeffrey Radcliffe, vous pourriez lui poser la question de savoir s'il peut envisager ce développement dans une prochaine version ?

Sorbus

@Dom
Merci pour la description des étapes pour les tableaux... Pour l'instant, je ne pense pas qu'il y ait plus simple. A l'avenir, on pourra sans doute espérer avoir mieux avec ocropus. Mais en attendant, ta méthode est utile.

Pour le rejet de fichiers .tiff par tesseract, ça reste étonnant. Le message d'erreur est le même que ce que donne tesseract pour un fichier .png (ou autre). As-tu essayer d'ouvrir ton fichier 102b.tiff avec Gimp... de "l'enregistrer sous", en lui donnant un autre nom, et en choisissant à nouveau le format .tiff...
... et de ressayer tesseract sur ce nouveau fichier .tiff
Simplement pour voir ce que ça donne... et essayer de comprendre.

@ferker...
OK, je n'avais pas lu jusqu'au bout les données de Synaptic. Je corrige le tuto. Merci.

@tous
Une astuce pour scanner des papiers fins (plus ou moins transparents) imprimés sur les deux faces, comme des coupures de journaux... pour ceux qui ont un scanneur à fond blanc : utiliser un morceau de carton noir, et le mettre derrière le document à scanner 😉

Sorbus

... Voilà quelque chose qui me semble encore bien compliqué à installer, mais qui parait prometteur : un plugin ocr exérimental pour abiword, utilisant ocropus... Voir la vidéo.

le_schtroumpf

Dom a écrit@Sorbus
Par contre le format .tiff est toujours rejeté ; voilà ce que j'obtiens :

Xsane enregistre les images en tiff avec une certaine compression. Or, Tesseract ne reconnaà®t que les tiff sans compression. Il suffit donc d'ouvrir l'image avec Gimp, l'enregistrer sous avec le même nom et de choisir dans les options qui apparaà®tront "Compression : aucune".

Dom

@ le_schtroumpf
Message reçu ; merci.

« Page précédente Page suivante »