Das deutsche Python-Forum

Was für Möglichkeiten existieren, um einen Brief/Text aus einer Bilddatei (.jpg, etc) zu analysieren und in ein verarbeitbares Textformat zu bringen (OCR)? Gibt's da Geschwindigkeitsvorteile für bestimmte Lösungen?

Ich habe Texterkennung bisher immer mit tesseract gemacht. Das ging recht gut.

Mit Python?

Was heißt "mit Python"?
Das ist nicht in Python geschrieben, aber ich habe das durchaus von Python aus aufgerufen.

sparrow hat geschrieben:Was heißt "mit Python"?
Das ist nicht in Python geschrieben, aber ich habe das durchaus von Python aus aufgerufen.

Ja, das meinte ich. Wie eine Library.

Interesse am Thema, allerdings keine Erfahrung damit. Mein erster Treffer war dies:

https://pypi.python.org/pypi/pytesseract

Spontan würde mir auch erst einmal die Herangehensweise gefallen, aber: Auf PyPi gibt es aber eine ganze Liste von Python-Bibliotheken, die sich mit OCR bzw. konkret Tesseract befassen:

https://pypi.python.org/pypi?%3Aaction= ... mit=search

Jemand Erfahrungen? Warum kann man dort eigentlich Bibliotheken nicht bewerten. Das könnte die Orientierung erleichtern.

Ich hab damit Mitte letzten Jahres etwas gebaut um automatisch gescannte Dokumente zu verarbeiten. Das klappt super.
Die Bibliotheken sind nur Wrapper rund um den Aufruf von Tesseract. Das kann man aber auch einfach selber machen. Wenn es nur darum geht ein externes Programm aufzurufen, mache ich das gerne selbst. Dann weiß ich, dass da auch wirklich das ankommt, was ich möchte.

"google's Tesseract-OCR"? Google's? Gibt es noch andere gleichwertige OCR?

Verstehe ich das richtig: Tesseract bietet die Algorithmen, die den Text extrahieren schon an?
Was ist mit Grafiken wie Briefkopflogos, etc?

Wieso stört dich denn das Google? Tesseract ist freie Software. Und, zumindest nach meinen Recherchen letztes Jahr, bei freier Software weit vorne. Keine Ahnung wie das auf dem proprietären Markt aussieht.

Es wird Text aus einem Bild extrahiert. Keine Logos. Es sei denn natürlich das Logo ist Text. So wie das OCR halt macht.
Wenn du auch Grafiken und ähnliches extrahieren willst, musst du das Bild anderweitig, vielleicht vorgelagert, ver- und bearbeiten.

Probier es einfach aus. Tesseract installieren, Bild drauf werfen, schauen was passiert.

Also frei für jede Art der Verwendung, einschliesslich kommerzieller im Betrieb? Dann stört es nicht.

Okay, ich werde mir das Ding mal installieren.

Ließ doch einfach die Lizenz

https://de.wikipedia.org/wiki/Apache-Lizenz
Zu kommerziell steht da leider nix.

Dann liess doch mal die paar Punkte unter "Eigenschaften". Das ist simples Deutsch ohne besondere Fachbegriffe.

meego hat geschrieben:https://de.wikipedia.org/wiki/Apache-Lizenz
Zu kommerziell steht da leider nix.

Ist doch perfekt. Wenn kommerzielle Nutzung in irgendeiner Form eingeschränkt wäre, müsste dies ja irgendwo erwähnt werden.

Habe noch das hier gefunden:
https://help.ubuntu.com/community/OCR

Wirklich gut scheint das Ganze aber nicht zu funktionieren. Ich habe jetzt einmal tesseract mit einem Fahrschein ausprobiert. Ist das wirklich der Stand der Technik?

Für Testzwecke würde ich erst einmal ein einfaches Beispiel nutzen und gucken, was tesseract dann leistet. OCR ist nicht, als wenn du es selbst abtippen würdest. Zumindest ist das meine bisherige Erfahrung. In manchen Fällen ist OCR aber trotzdem sehr hilfreich.

Ich fand das war ein einfaches Beispiel.

Funktioniert's bei geschriebenem Text (Büchern) denn besser als bei Tickets, Bons, etc? Kann man das trainieren?



=

Ich konnte bislang noch nicht die Sprache als Parameter übergeben. Wenn das klappt, könnte das das Ergebnis etwas verbessern. Ich denke aber fast, dass dein Ergebnis schon ziemlich gut ist.

@meego: dein Scan ist sehr schlecht. Die Rückseite druckt durch und die Schrift ist löchrig. OCR funktioniert gut bei guten Vorlagen.