WikiDer > Tesseract (программное обеспечение)

Tesseract (software)
Тессеракт
Tesseract 4.1.1 чтение изображения.
Tesseract 4.1.1 чтение изображения.
Оригинальный автор (ы)Рэй Смит, Hewlett Packard[1]
Разработчики)Google
Стабильный выпуск
4.1.1 / 26 декабря 2019 г.; 11 месяцев назад (2019-12-26)[2]
Репозиторий
Отредактируйте это в Викиданных
Написано вC и C ++
Операционная системаLinux, Windows, и macOS (x86)
Доступно вИнтерфейс: английский
Признание: африкаанс, албанский, арабский, Азербайджанский, Баскский, Белорусский, Бенгальский, болгарский, Каталонский, Чешский, Чероки, хорватский, Датский, нидерландский язык, английский, эсперанто, эстонский, Финский, Французский, Галицкий, Немецкий, Греческий, хинди, Венгерский, индонезийский, Итальянский, Японский, Каннада, Корейский, Латышский, Литовский, Малаялам, македонский, Мальтийский, малайский, норвежский язык, Польский, португальский, румынский, русский, сербский, словацкий, словенский, испанский, суахили, Шведский, Тагальский, Тамильский, телугу, Тайский, турецкий, украинец & вьетнамский (можно добавить больше с помощью прилагаемых обучающих файлов)
ТипОптическое распознавание символов
ЛицензияЛицензия Apache 2.0
Интернет сайтgithub.com/ tesseract-ocr Отредактируйте это в Викиданных

Тессеракт является оптическое распознавание символов движок для различных операционных систем.[3] это бесплатно программное обеспечение, выпущенный под Лицензия Apache.[1][4][5] Первоначально разработан Hewlett Packard как проприетарное программное обеспечение в 1980-х годах, оно было выпущено с открытым исходным кодом в 2005 году, а разработка спонсировалась Google с 2006 года.[6]

В 2006 году Tesseract считался одним из самых точных на тот момент движков OCR с открытым исходным кодом.[5][7]

История

Механизм Tesseract был первоначально разработан как проприетарное программное обеспечение в Hewlett Packard лаборатории в Бристоль, Англия и Грили, Колорадо между 1985 и 1994 гг., с некоторыми изменениями, внесенными в 1996 г. для переноса на Windows, и некоторым переходом с C к C ++ в 1998 году. Большая часть кода была написана на C, а затем было написано еще несколько на C ++. С тех пор весь код был преобразован как минимум для компиляции с помощью компилятора C ++.[4] В последующее десятилетие было сделано очень мало работы. Затем он был выпущен с открытым исходным кодом в 2005 году Hewlett Packard и Университет Невады, Лас-Вегас (UNLV). Разработка Tesseract спонсировалась Google с 2006 года.[6]

Функции

В 1995 году Tesseract входил в тройку лидеров оптического распознавания символов по точности символов.[8] Это доступно для Linux, Windows и Mac OS X. Однако из-за ограниченных ресурсов он только тщательно тестируется разработчиками под Windows и Ubuntu.[4][5]

Tesseract до версии 2 включительно мог принимать только изображения TIFF простого текста в один столбец в качестве входных данных. Эти ранние версии не включали анализ макета, поэтому ввод текста с несколькими столбцами, изображений или уравнений приводил к искажению вывода. Начиная с версии 3.00 Tesseract поддерживает форматирование выходного текста, hOCR[9] позиционная информация и анализ макета страницы. Была добавлена ​​поддержка ряда новых форматов изображений с помощью Лептоника библиотека. Tesseract может определить, является ли текст моноширинный или пропорционально разнесены.[5]

Первоначальные версии Tesseract могли распознавать только текст на английском языке. Tesseract v2 добавил шесть дополнительных западных языков (французский, итальянский, немецкий, испанский, бразильский португальский, голландский). Версия 3 значительно расширила языковую поддержку, включая идеографические (китайский и японский) и языки с написанием справа налево (например, арабский, иврит), а также многие другие скрипты. Новые языки включают арабский, болгарский, каталонский, китайский (упрощенный и традиционный), хорватский, чешский, датский, немецкий (Fraktur скрипт), греческий, финский, иврит, хинди, венгерский, индонезийский, японский, корейский, латышский, литовский, норвежский, польский, португальский, румынский, русский, сербский, словацкий (стандартный и фрактурный шрифт), словенский, шведский, тагальский, тамильский , Тайский, турецкий, украинский и вьетнамский. Версия 3.04, выпущенная в июле 2015 года, добавила еще 39 комбинаций языков / сценариев, в результате чего общее количество поддерживаемых языков превысило 100. Новые языковые коды включали: amh (амхарский), asm (ассамский), aze_cyrl (азербайджанский на кириллице) ), bod (тибетский), bos (боснийский), ceb (кебуанский), cym (валлийский), dzo (дзонгха), fas (персидский), gle (ирландский язык), guj (гуджарати), hat (гаитянский и гаитянский креольский язык), iku (инуктитут), jav (яванский), kat (грузинский), kat_old (древнегрузинский), kaz (казахский), khm (центральный кхмерский), kir (киргизский), kur (курдский), lao (лаосский), lat (лат. ), mar (маратхи), mya (бирманский), nep (непальский), ori (ория), pan (пенджаби), pus (пушту), san (санскрит), sin (сингальский), srp_latn (сербский латинским шрифтом), syr (сирийский), tgk (таджикский), tir (тигринья), uig (уйгурский), urd (урду), uzb (узбекский), uzb_cyrl (узбекский язык кириллицей), yid (идиш).[10]

Кроме того, Tesseract можно обучить работе на других языках.[5]

Tesseract может обрабатывать текст справа налево такие как арабский или иврит, многие индийские шрифты, а также CJK достаточно хорошо. Показатели точности показаны в этой презентации для руководства по Tesseract на DAS 2016, Санторини Рэя Смита.[11]

Tesseract подходит для использования в качестве серверной части и может использоваться для более сложных задач распознавания текста, включая анализ макета, с помощью внешнего интерфейса, такого как OCRopus.[12]

Вывод Tesseract будет иметь очень плохое качество, если входные изображения не будут предварительно обработаны для его соответствия: изображения (особенно скриншоты) должно быть масштабированный так, чтобы текст x-высота не менее 20 пикселей,[13] любое вращение или перекос необходимо исправить, иначе текст не будет распознан, низкочастотные изменения яркости должны быть фильтр высоких частот, или Тессеракта бинаризация stage уничтожит большую часть страницы, а темные границы необходимо удалить вручную, иначе они будут ошибочно приняты за символы.[14]

Версия 4

Версия 4 добавляет LSTM основанный на OCR механизм и модели для многих дополнительных языков и скриптов, в результате чего всего 116 языков.[15]

Кроме того, поддерживаются сценарии для 37 языков, поэтому можно распознать язык по сценарию, на котором он написан.

Пользовательские интерфейсы

Окно конфигурации Tesseract в OCRFeeder

Тессеракт выполняется из Интерфейс командной строки.[16] Хотя Tesseract не поставляется с графическим интерфейсом пользователя, существует множество отдельных проектов, которые предоставляют для него графический интерфейс.[17] Один из распространенных примеров: OCRFeeder.[18]

Прием

В статье о Tesseract в июле 2007 года Энтони Кей из Linux журнал назвал его «необычным инструментом командной строки, который отлично справляется со своей задачей». В то время он отметил: «Tesseract - это простой движок OCR. Процесс сборки немного необычный, и движку требуются некоторые дополнительные функции (например, определение макета), но основная функция, распознавание текста, значительно лучше, чем что-либо еще. еще я пробовал от сообщества Open Source. Достаточно легко получить отличные показатели распознавания, используя не более чем сканер и некоторые инструменты обработки изображений, такие как GIMP и Netpbm ».[3]

В ноябре 2020 г. Брюстер Кале от Интернет-архив похвалил Тессеракт, говоря[19] :

Tesseract сделал большой шаг вперед за последние несколько лет. Когда мы в последний раз оценивали точность, оно было не так хорошо, как проприетарное OCR, но это изменилось - мы провели оценки, и оно так же хорошо, и может улучшиться для нашего приложения благодаря новой архитектуре.

Смотрите также

Рекомендации

  1. ^ а б Google (2008). "тессеракт-окр". Получено 2016-03-08.
  2. ^ «Релизы - tesseract-ocr / tesseract». Получено 5 января 2020 - через GitHub.
  3. ^ а б Кей, Энтони (июль 2007 г.). "Tesseract: движок оптического распознавания символов с открытым исходным кодом". Linux журнал. Получено 28 сентября 2011.
  4. ^ а б c Винсент, Люк (август 2006 г.). «Объявление Tesseract OCR». Архивировано из оригинал 26 октября 2006 г.. Получено 2008-06-26.
  5. ^ а б c d е Canonical Ltd. (февраль 2011 г.). «OCR». Получено 2011-02-11.
  6. ^ а б Анонс Tesseract OCR - Официальный блог Google
  7. ^ Уиллис, Натан (сентябрь 2006 г.). «Механизм Google Tesseract OCR - это качественный скачок вперед». Получено 2008-07-18.
  8. ^ Райс Стивен В., Фрэнк Р. Дженкинс и Томас А. Нарткер Четвертый ежегодный тест на точность распознавания текста, Expervision.com, дата обращения 21 мая 2013.
  9. ^ Проект Tesseract (февраль 2011 г.). «Проблема 263: исправление для включения вывода hOCR». Архивировано из оригинал 13 ноября 2012 г.. Получено 26 февраля 2011.
  10. ^ "langdata - исходные данные обучения для Tesseract для многих языков". Получено 6 ноября 2016.
  11. ^ «Обучение LSTM-сети на 100 языках и результаты тестирования» (PDF). Получено 18 марта 2018.
  12. ^ Представляем систему OCRopus с открытым исходным кодом OCR (Томас Бреуэл, руководитель проекта OCRopus).
  13. ^ "FAQ - tesseract-ocr - Часто задаваемые вопросы - Механизм распознавания текста, который был разработан в HP Labs в период с 1985 по 1995 год ... и теперь в Google. - Хостинг проектов Google". Архивировано из оригинал 23 декабря 2015 г.. Получено 2014-05-30.
  14. ^ «ImproveQuality - tesseract-ocr - Советы по улучшению качества вашей продукции. - Механизм распознавания текста, который был разработан в HP Labs в период с 1985 по 1995 год ... а теперь в Google. - Хостинг проектов Google». 2014-01-27. Архивировано из оригинал 20 сентября 2015 г.. Получено 2014-05-30.
  15. ^ "TESSERACT (1) Страница руководства". Получено 15 марта 2018.
  16. ^ Код Google - Tesseract Readme
  17. ^ "3rdParty - tesseract-ocr - графические интерфейсы и другие проекты, использующие Tesseract OCR". github.com. Получено 2017-03-30.
  18. ^ «OCRFeeder». GNOME вики. Получено 12 января 2019.
  19. ^ Брюстер Кале (23 ноября 2020 г.). «FOSS снова побеждает: сообщества бесплатных и открытых исходных кодов появляются в газетах (а также в книгах и периодических изданиях ...) 19 века - Интернет-архив блогов». blog.archive.org. Получено 1 декабря, 2020.

внешняя ссылка