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

zarer · Le 26/01/2008, à 23:01

Salut Sorbus

Sorbus a écrit :

A propos de Xsane et de Kooka...
J'ai fait un tour sur les sites de ces deux logiciels.
Il semblerait que Kooka soit en panne de développement... Il y a donc peut d'espoir pour qu'il intègre tesseract à court ou moyen terme.

C'est dommage ! kooka était un beau projet... Quelqu'un reprendra bien un jour le flambeau !

Sorbus a écrit :

Pour Xsane, le développement semble se poursuivre activement (la dernière version sous Gutsy est là 0.991... la plus récente est la 0.995). Mais il n'est pas fait mention de tesseract dans les projets... Donc, l'éventuelle intégration de tesseract dans Xsane, ce n'est pas non plus pour demain.

Ben ça aussi c'est regrettable... On peut espérer qu'un jour ou l'autre il reconnaîtront la valeur de Tesseract !

zarer · Le 26/01/2008, à 23:20

Salut Sorbus !

Je viens d'installer la nouvelle version de gscan2pdf (0.9.20) avec le paquet de b52 pour Tesseract...

Sorbus a écrit :

J'ai édité mon message précédent : résolu dans le cas de mon installation. A voir pour les installations faites avec le paquet de b52.

Sous Ubuntu 7.10, le problème reste le même avec Tessdata :

Unable to load unicharset file /usr/local/share/tessdata/eng.unicharset

Il faut manifestement refaire les liens symboliques :

sudo ln -s /usr/share/tessdata /usr/local/share

Et tout est rétabli ! un seul lien symbolique donc pour avoir la ROC en français ! On progresse...

Par contre, je viens aussi d'abord confirmation d'une question que nous nous posions : comment se fait-il qu'avec gscan2pdf Tesseract peut faire la ROC sur un fichier .png :

Importing /media/disk-1/home/zamasp/Desktop/nouvelles/nouvelle2.3.1.png
Format Portable Network Graphics
Importing ~/Desktop/nouvelles/nouvelle2.3.1.png, format Portable Network Graphics
Added /tmp/rJ8jpjygzS/9gBO1rabIn.png at page 1 with resolution 28
Process 20799 exited.
convert /tmp/rJ8jpjygzS/9gBO1rabIn.png /tmp/rJ8jpjygzS/1rHV9jBq88.tif; tesseract /tmp/rJ8jpjygzS/1rHV9jBq88.tif /tmp/rJ8jpjygzS/lrsCGux56g -l fra; rm /tmp/rJ8jpjygzS/1rHV9jBq88.tif
Forked PID 20808
Tesseract Open Source OCR Engine
Process 20808 exited.
Waiting to reap process at /usr/bin/gscan2pdf line 5983.
Reaped PID -1

Réponse : il faut compter parmi les dépendances, pour la ROC sur un autre format d'image (.png, .jpg, etc.) que .tif, imagemagick !

gscan2pdf sollicite imagemagick pour créer un fichier temporaire au format .tif avant de lancer la ROC avec Tesseract :

convert /tmp/rJ8jpjygzS/9gBO1rabIn.png /tmp/rJ8jpjygzS/1rHV9jBq88.tif; tesseract /tmp/rJ8jpjygzS/1rHV9jBq88.tif /tmp/rJ8jpjygzS/lrsCGux56g -l fra; rm /tmp/rJ8jpjygzS/1rHV9jBq88.tif

Pas mal ! Astucieux !

Autrement dit, il faut impérativement ajouter imagemagick dans les dépendances de gscan2pdf !

@+

Dernière modification par zarer (Le 26/01/2008, à 23:22)

Sorbus · Le 27/01/2008, à 10:05

un seul lien symbolique donc pour avoir la ROC en français ! On progresse...
Une petite modification dans le paquet de b52 ne résoudrait-elle pas complètement le problème ?

Merci pour ce test pour les images .png, .jpg... Oui... c'est astucieux. C'est bien noté pour ça :il faut impérativement ajouter imagemagick dans les dépendances de gscan2pdf !

Bushman02 · Le 27/01/2008, à 14:29

Je prends le train en marche : je n'utilise Ubuntu (Gutsy, Gnome) que depuis trois semaines. J'ai longtemps pataugé dans les problèmes d'OCR sous une autre distribution et je m'étais fait à l'idée que Linux et l'OCR n'allaient pas ensemble. Or j'ai suivi les conseils de ce forum, installant naà¯vement tout ce que la machine me disait d'installer au fur et à mesure pour ce qui concerne Tesseract et gscan2pdf.
==> Merveille ! à quelques signes près, mes textes sont reconnus !
Grà¢ce à vos suggestions, tout ce qui nécessitait un temps trop long avec kooka+ocrad devient un jeu d'enfant : j'ai testé des documents qui m'avaient jadis posé problème et ça marche.
N.B. :1- j'utilise un petit scanner Canon Lide-30 et je le règle sur 300 à 600 dpi en mode trait.
2 - J'avais déjà installé Imagemagic
Merci à tous !

zarer · Le 27/01/2008, à 16:23

Salut Sorbus,

Sorbus a écrit :

un seul lien symbolique donc pour avoir la ROC en français ! On progresse...
Une petite modification dans le paquet de b52 ne résoudrait-elle pas complètement le problème ?

J'ai essayé de faire moi-même le paquet .deb (mon premier paquet !) mais rien y fait : toujours le lien à créer !

Finalement, avec les conseils de b52, j'ai refait un second paquet tesseract contenant lui-même la création du lien symbolique (un fichier postinst) et ça marche sans souci !

Je vais ajouter un fichier complémentaire "postrm" de manière à supprimer le lien symbolique lors de désinstallation du paquet... histoire de ne pas laisser de trace !

Sorbus a écrit :

Merci pour ce test pour les images .png, .jpg... Oui... c'est astucieux. C'est bien noté pour ça :il faut impérativement ajouter imagemagick dans les dépendances de gscan2pdf !

Ouais... c'est bon à savoir !

@+

zarer · Le 27/01/2008, à 17:21

Salut Sorbus,

Je ne comprenais pourquoi tu n'avais plus besoin de créer le lien symbolique :

Sorbus a écrit :

...dans le cas d'une installation de tesseract selon le tuto de la doc Ubuntu francophone, il n'y a plus besoin du lien symbolique. Je l'ai supprimé. gscan2pdf v.0.9.20 trouve les fichiers de langues sans problème dans /usr/local/share/tessdata.
Il reste à voir ce que ça donne dans le cas d'une installation avec le paquet de b52.

Si en effet, lors de l'installation de tessseract par les sources tu copies les fichiers du répertoire /tessdata dans /usr/local/share, comme tu l'indiques dans le tuto de la doc :

tar -zxvf tesseract-2.00.fra.tar.gz
cd tessdata
sudo cp * /usr/local/share/tessdata

Dans ce cas, effectivement, ça passe tout seul. Mais par conséquent tu as deux répertoires /tessdata... Il y en a un dans /usr/share, non ?

@+

Dernière modification par zarer (Le 27/01/2008, à 17:22)

Sorbus · Le 27/01/2008, à 19:37

@Bushmann02
Merci pour le retour. Et si tu peux, par la suite, tiens-nous au courant de tes éventuels tests, difficultés ou découvertes...

@zarer

tar -zxvf tesseract-2.00.fra.tar.gz
cd tessdata
sudo cp * /usr/local/share/tessdata
Dans ce cas, effectivement, ça passe tout seul. Mais par conséquent tu as deux répertoires /tessdata... Il y en a un dans /usr/share, non ?

Non. Il n'y en a qu'un : /usr/local/share/tessdata
Il n'y en a pas dans /usr/share

C'est pour cette raison que je pensais que l'installation de tesseract seul ne crée pas de dossier /usr/share/tessdata... et que la création de ce dossier à cet endroit venait peut-être du paquet de b52.

il faut impérativement ajouter imagemagick dans les dépendances de gscan2pdf !

Je viens d'installer gscan2pdf puis tesseract sur mon portable qui est sous Gutsy en architecture 64 bit.

Constats :

1°) les deux s'installent sans problème en 64 bit en suivant les indications de la doc Ubuntu francophone.

2°) Imagemagick est une dépendance qui est déjà installée par défaut lors de l'installation de gscan2pdf. Il n'y a donc pas besoin de s'en soucier... ça se fait tout seul :

monuser@Portable-monuser:~$ sudo dpkg --unpack gscan2pdf_0.9.20_all.deb
[sudo] password for monuser:
Sélection du paquet gscan2pdf précédemment désélectionné.
(Lecture de la base de données... 141167 fichiers et répertoires déjà installés.)
Dépaquetage de gscan2pdf (à partir de gscan2pdf_0.9.20_all.deb) ...
monuser@Portable-monuser:~$ sudo apt-get install -f
Lecture des listes de paquets... Fait
Construction de l'arbre des dépendances
Lecture des informations d'état... Fait
Correction des dépendances... Fait
Les paquets supplémentaires suivants seront installés :
imagemagick libcompress-raw-zlib-perl libcompress-zlib-perl
libconfig-general-perl libgtk2-ex-simple-list-perl libio-compress-base-perl
libio-compress-zlib-perl libpdf-api2-perl libtiff-tools perlmagick
sane-utils
Paquets suggérés :
html2ps libtiff-opengl unpaper

Ceci dit, il était très intéressant de comprendre pourquoi gscan2pdf est potentiellement capable de traiter des fichiers png ou jpg avec tesseract... alors que tesseract ne le peut pas !

3°) un démarrage de gscan2pdf avant d'avoir installé tesseract et gocr produit ce message :

On comprends donc qu'il faut installer au moins un moteur ROC (tesseract ou gocr), ainsi que les paquets unpaper, djvulibre-bin... et le frontend scanadf.
Je ne vois pas de paquet nommé scanadf dans les dépà´ts Gutsy... mais je pense que scanadf est inclus dans sane (?).

4°) La capture d'image ci-dessus étant en pdf [Edit : je rectifie, pas en pdf, mais en PNG], j'ai essayé un traitement ocr dessus, d'abord avec gocr, ensuite avec tesseract...
gocr :

_
_ i__:-_rl:I__ rl : ll rrl_- rl_l_-_ _-__ p_- c_!__- _-__ _
Le frontend scanadf n'est pas d_spon_ble
L'enreg_strement au format Dj_ requ_ert djvuI_bre-b_n
I'out_I unpaper est manquant
La reconna_ssance opt_que de caractjres njcess_te gocr ou tesseract
0 ,N, , , , ,e, , , , , ,p, , , ,a, , , ,s, , , , , ,r, ,e, = ,a, , , ,ff, , , , _, ,c, , ,h, , , ,e, , , , r, , , , ,c, , ,e, , , , , ,m, , , , , , ,e, , , ,s, , ,s, , , ,a, , , ,g, , , ,e, , , ,
_aI_der

tesseract :

PEEàƒ?àƒàƒ**à‰àˆà‰à®à‰à®â€˜**â€˜*à®Iil1F11à®F!1à®à®1!**F11il1MIà®à®**àˆà‰à‰à‰à‰à‰"à®111il11!1111I"""à‰à‰à‰à‰!â€˜à®llà¯à¯à«à®à¯à®à®à®à®à®m
'= ?â€
llliillllill !'à‰'tÂ·:', eà«à«à«à«a 7 7 u=Â¥à«Â·, ià«à«à«à«n sà«à«à«i 7 7 Jtà® &à«à«à«à«Â·j!à®'!à® E 121

gocr après traitment unpaper :

_
_ i__:-_rl:I__ rl : ll rrl_- rl_l_-_ _-__ x_- ci__- _-__ _
Le frontend scanadf n'est pas dIsponIble
L'enregIstrement au format Dj_ requIe_ d)vulIbre bIn
I'outII unpaper est manquant
La reconnaIssance optIque de caracteres necessIte gocr ou tesseract
0 .Ne pas reaffIcher ce message,
_v_alIder

tesseract après traitement unpaper :

www Â«Â«Â«uwÂ«Â«Â«Â«mm Â«Â«Â«Â«mÂ«Â«Â«\Â«Â«Â«Â«Â«Â«Â«lÂ«Â«Â«
pa Frcurwtarwcl scarwaclf r1's
|_'ar1ragÂ¤strar*rÂ·1ar1t an.; Fc.:
I'c.Â¤Â¤...Â¤tÂ¤I Â¤...Â¤r1pÂ¤apÂ¤ar est r*rÂ·1ar1
ITà®I!'InI l'*Â·~Â·Ia pas rÅ“aFFÂ¤c|Â·1ar cs

Sur cet exemple, tesseract via gscan2pdf sur une image PNG, c'est pas encore ça...

Dernière modification par Sorbus (Le 27/01/2008, à 22:40)

zarer · Le 27/01/2008, à 20:51

Salut Sorbus,

Sorbus a écrit :

@zarer
tar -zxvf tesseract-2.00.fra.tar.gz
cd tessdata
sudo cp * /usr/local/share/tessdata
Dans ce cas, effectivement, ça passe tout seul. Mais par conséquent tu as deux répertoires /tessdata... Il y en a un dans /usr/share, non ?
Non. Il n'y en a qu'un : /usr/local/share/tessdata
Il n'y en a pas dans /usr/share
C'est pour cette raison que je pensais que l'installation de tesseract seul ne crée pas de dossier /usr/share/tessdata... et que la création de ce dossier à cet endroit venait peut-être du paquet de b52.

Alors je ne comprends pas... J'ai refait le paquet deb plusieurs fois (c'est mon premier paquet !) et systématiquement la "debianisation" (ce doit être ça !) installe /tessdata dans /usr/share...

La compilation depuis les sources doit, quant à elle, créer le répertoire /usr/local/share/tessdata. Je ne vois que cette explication.

L'inconvénient avec cette méthode (compilation des sources) c'est que ce n'est pas très propre : il serait bon d'ajouter la procédure pour faire place nette lors d'une mise à jour, tu ne crois pas ?

Ceci dit, il était très intéressant de comprendre pourquoi gscan2pdf est potentiellement capable de traiter des fichiers png ou jpg avec tesseract... alors que tesseract ne le peut pas !

Oui oui ça l'est... D'autant que partout l'on peut lire que tesseract ne reconnaà®t que le format .tif, ce qui est le cas, mais aidé par imagemagick avec gscan2pdf, tesseract fait des merveilles !

Je ne vois pas de paquet nommé scanadf dans les dépà´ts Gutsy... mais je pense que scanadf est inclus dans sane (?).

Oui oui scanadf est bien inclus dans le projet sane...

4°) La capture d'image ci-dessus étant en pdf, j'ai essayé un traitement ocr dessus, d'abord avec gocr, ensuite avec tesseract...
[...]
Sur cet exemple, tesseract via gscan2pdf sur une image PNG, c'est pas encore ça...

Tu as fait une ROC sur un pdf ou une image .png ?

Chez moi la ROC depuis la .png (avec imagemagick) ne pose aucun souci...

Sorbus · Le 27/01/2008, à 22:36

Tu as fait une ROC sur un pdf ou une image .png ?

Excuse... J'ai écrit trop vite "une image pdf"... Mais non, je voulais écrire "une image PNG" : la capture d'écran du message "Attention, il manque des packages" que j'ai placée dans mon précédent message : pas trop mal reconnue avec gocr, mais très mal avec tesseract.

J'avais déjà fait ce test sur mon fixe... sans avoir non plus de résultat correct avec gscan2pdf+tesseract sur des captures d'écran en PNG.

Sur quel type de fichier PNG as-tu fait tes tests (quelque chose de bien net, en noir sur blanc ?)

La compilation depuis les sources doit, quant à elle, créer le répertoire /usr/local/share/tessdata. Je ne vois que cette explication.

Oui... c'est la seule piste.

L'inconvénient avec cette méthode (compilation des sources) c'est que ce n'est pas très propre : il serait bon d'ajouter la procédure pour faire place nette lors d'une mise à jour, tu ne crois pas ?

En effet... il faudrait... Mais je n'ai jamais vraiment étudié la question pour les diverses applications que j'ai compilées jusqu'à présent...

Il faudrait que je puisse indiquer ça pour ceux qui ont installé comme moi.
Ensuite... on peut modifier la doc pour proposer plutà´t l'installation par le deb de b52 révisé par zarer...

Dernière modification par Sorbus (Le 27/01/2008, à 22:45)

zarer · Le 27/01/2008, à 22:52

Sorbus a écrit :

Tu as fait une ROC sur un pdf ou une image .png ?
Excuse... J'ai écrit trop vite "une image pdf"... Mais non, je voulais écrire "une image PNG" : la capture d'écran du message "Attention, il manque des packages" que j'ai placée dans mon précédent message : pas trop mal reconnue avec gocr, mais très mal avec tesseract.
J'avais déjà fait ce test sur mon fixe... sans avoir non plus de résultat correct avec gscan2pdf+tesseract sur des captures d'écran en PNG.

Pas de probème...

Sorbus a écrit :

Sur quel type de fichier PNG as-tu fait tes tests (quelque chose de bien net, en noir sur blanc ?)

Oui oui une image nette en noir & blanc...

Sorbus a écrit :

La compilation depuis les sources doit, quant à elle, créer le répertoire /usr/local/share/tessdata. Je ne vois que cette explication.
Oui... c'est la seule piste.

En fait c'est le cas... b52 vient de me le confirmer :

Lorsque ./configure est correctement construit, il est possible de lui passer (entre autre chose) comme paramètre :
$ ./configure --prefix=/usr
Ce qui coupe la chique au préfix/défaut qui est: </usr/local> pour </usr/local/bin/PROGRAMME>, etc ...
Donc un : $ ./configure --prefix=/usr donne: </usr/bin/PROGRAMME>, etc ...
Et lors d'une débianisation, ce paramètre est automatiquement défini.

Voilà l'explication... Le paquet source de Tesseract, et c'est normal, n'est pas debianeux !
L'installation par les depà´ts sous Lenny installe /tessdata dans /usr/share/tesseract-ocr...

Autrement dit, pour respecter l'organisation debian sur Ubuntu, il est "souhaitable" (je mets des guillements...) de placer /tessdata dans /usr/share...

Sorbus a écrit :

L'inconvénient avec cette méthode (compilation des sources) c'est que ce n'est pas très propre : il serait bon d'ajouter la procédure pour faire place nette lors d'une mise à jour, tu ne crois pas ?
En effet... il faudrait... Mais je n'ai jamais vraiment étudié la question pour les diverses applications que j'ai compilées jusqu'à présent...

Je dis ça parce que c'est une des règles que moi-même j'oublie de m'appliquer : "ne rien installer que l'on ne peut pas désinstaller"...

Sorbus · Le 27/01/2008, à 23:12

La piste est par là... et encore par ici. Je vais donc essayer de faire le nécessaire pour moi... et pour la doc.

Et je vais tester tesseract sur du PNG noir et blanc... Mais j'aurai noté au passage que GOCR ne se débrouille pas trop mal avec un PNG en couleurs...

Sorbus · Le 28/01/2008, à 10:30

J'ai désinstallé tesseract 2.01 par make uninstall... puis je l'ai réinstallé. J'ai donc indiqué la procédure de désinstallation dans la doc pour ceux qui l'installent en compilant. Pour une architecture en amd64, je pense d'ailleurs qu'il n'y a pas d'autre solution, puisque le paquet de b52 "tesseract_2.02-1_i386.deb" est destiné aux architectures i386.
Tiens... je vois d'ailleurs que c'est "tesseract 2.02" et non "2.01"... Vous avez trouvé ça oà¹ ?

Echo de mes derniers tests sur du PNG.

--> je note que l'on obtient beaucoup d'infos en lançant gscan2pdf dans un terminal avec la commande :

gscan2pdf --debug

--> je n'ai réussi à rien avec gscan2pdf+tesseract sur des captures d'écran en PNG, même en noir sur blanc (capture d'un texte en police 12 dans OOo)... ni sur une photo d'un texte à bonne résolution (mais pas très droit, et en noir sur fond brun/jaune), même après traitement unpaper.

--> je note que gscan2pdf importe les fichiers à la résolution qu'il "choisit" (j'ignore comment) :
Added /tmp/wEacDaTsL1/IZdUszDKTZ.png at page 1 with resolution 28
(j'ai vu aussi la résolution 72)...

--> j'ai été surpris que dans tous les cas, gocr produise un résultat, moyen et lisible, mais hélas généralement pas assez bon pour que la roc soit vraiment utile.

--> j'ai cependant obtenu aussi un résultat avec gscan2pdf+tesseract dans un seul cas : capture d'écran d'un texte OOo en police 36 (Times).
Sur ce texte, voici le résultat :

GOCR :

Il était un petit navire
qui n'avait jamais navigué

tesseract : rien

GOCR après traitement unpaper (options par défaut) :

Il était un petit navire
qui n'avait jamais navigué

tesseract après traitement unpaper (options par défaut) :

Il était un pctit navirc
qui n'avait jamais navigué

--> le traitement unpaper a ici un effet pour permettre à tesseract de travailler... (étonnant, car le texte de l'image PNG est initialement droit et sans parasite... GOCR s'en tire d'ailleurs très bien avec). Quel est l'effet de unpaper dans ce cas ? (je note que le traitement unpaper à notamment pour effet de convertir le PNG au format PNM... et qu'ensuite, pour la reconnaissance avec tesseract, gscan2pdf convertit le PNM en TIF).

--> On a l'impression que le post-traitement en français n'a pas été utilisé par tesseract puisque nous retrouvons des "e" transformés en "c"... pourtant, dans le terminal, j'ai bien :

convert /tmp/wEacDaTsL1/YYPgdoTgn1.pnm /tmp/wEacDaTsL1/U5z6EY6mC1.tif; tesseract /tmp/wEacDaTsL1/U5z6EY6mC1.tif /tmp/wEacDaTsL1/3J7efAh5c1 -l fra; rm /tmp/wEacDaTsL1/U5z6EY6mC1.tif

--> Dernier élément : pour la ROC avec GOCR, gscan2pdf convertit le PNG en PNM (de la même façon qu'il convertit le PNG en TIF pour tesseract). Tous les tests de ROC évoqués dans ce fil avec GOCR ont été réalisés sur des fichiers PNG... Il faudrait donc refaire ces tests directement sur des fichiers enregistrés en PNM. Cela résoudrait peut-être quelques interrogations du début de ce fil...

Voilà ... je stoppe les essais pour quelques jours, faute de temps... @+

Dernière modification par Sorbus (Le 28/01/2008, à 11:25)

zarer · Le 28/01/2008, à 11:04

Salut Sorbus,

Sorbus a écrit :

J'ai désinstallé tesseract 2.01 par make uninstall... puis je l'ai réinstallé. J'ai donc indiqué la procédure de désinstallation dans la doc pour ceux qui l'installent en compilant.

J'ai ressorti mes premiers bouquins sur UNIX/Linux pour retrouver ce sage conseil:

Il faut agir de manière réversible
Chaque fois que l'on installe un périphérique, un logiciel, que l'on met à jour des données, il faut pouvoir revenir en arrière car l'opération peut être accomplie incorrectement.

Je trouve que c'est même une règle qu'il faudrait appliquer systématiquement. Trop souvent je l'oublie dans mes articles et ne me l'applique pas assez...

Le paquet .deb est beaucoup plus facile à manipuler de ce point de vue-là . De plus, il s'intègre parfaitement au système de fichiers de Debian/Ubuntu.

Normalement, les programmes sâ€™installent dâ€™eux-mêmes dans les sous-répertoires /usr/local. Mais les paquets Debian ne doivent pas utiliser ce répertoire, car il est réservé à lâ€™usage privé de lâ€™administrateur système (ou de lâ€™utilisateur).
Mais pourquoi dans ce répertoire, et pas dans un autre ? Parce que Debian nâ€™installe jamais de fichiers sous /usr/local â€” cet arbre est réservé à lâ€™usage de lâ€™administrateur système. Sur un système Debian, de tels fichiers doivent plutà´t aller sous /usr.
Les positions exactes des exécutables, icà´nes, documentation, etc., sont spécifiées dans le standard de la hiérarchie de fichiers.
Voir le Guide du nouveau responsable Debian.

Les devs de Tesseract ne travaillent pour Debian... C'est à nous de nous adapter...

Sorbus a écrit :

Pour une architecture en amd64, je pense d'ailleurs qu'il n'y a pas d'autre solution, puisque le paquet de b52 "tesseract_2.02-1_i386.deb" est destiné aux architectures i386.
Tiens... je vois d'ailleurs que c'est "tesseract 2.02" et non "2.01"... Vous avez trouvé ça oà¹ ?

En fait, ça vient de la génération du paquet... c'est bien la version 2.01 : le prochain paquet respectera le n° de version...

Sorbus a écrit :

Echo de mes derniers tests sur du PNG.
[...]
Voilà ... je stoppe les essais pour quelques jours, faute de temps... @+

Merci pour tous ces tests ! Très instructifs... Il va falloir approfondir cette histoire de traitement unpaper...

@+

Dernière modification par zarer (Le 28/01/2008, à 14:52)

Sorbus · Le 28/01/2008, à 16:40

ocube... tesseract... xsane
dernières nouvelles :
http://www.mandrivauser.de/viewtopic.php?pid=166894#p166894
http://www.geocities.com/thierryguy/ (voir "ocube - a tesseract wrapper")
http://www.geocities.com/thierryguy/ocube.html
http://ubuntuforums.org/archive/index.php/t-404619.html (voir "PART 2: SETTING UP A SCRIPT FOR BATCH PROCESSING" et la suite)
http://linuxappfinder.com/package/ocube

Il a déjà été question de ocube dans ce fil... Mais nous n'avons pas creusé. Ce qui semble intéressant... ce sont ces annonces : "ocube works well with xsane.", "ocube makes tesseract work with xsane! (scanner GUI)", "TesseractOCR goes XSANE !!!!"

Reste à comprendre comment... en français

Dernière modification par Sorbus (Le 28/01/2008, à 16:42)

Sorbus · Le 28/01/2008, à 22:40

Et voilà (merci MadMax).
Testé... ça marche avec mon installation compilée de tesseract (et fichiers de langues placés dans /usr/local/share)... A tester par les utilisateurs du deb de b52.

zarer · Le 30/01/2008, à 23:21

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 · Le 31/01/2008, à 18:45

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 .

Dernière modification par Sorbus (Le 31/01/2008, à 18:49)

zarer · Le 31/01/2008, à 21:09

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 écrit :

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.

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

Sorbus a écrit :

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

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

Sorbus a écrit :

Je n'ai pas désinstallé/résinstallé gscan2pdf.

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

Sorbus a écrit :

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.

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

Sorbus a écrit :

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

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

Sorbus a écrit :

Je 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 écrit :

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.

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

Sorbus a écrit :

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.

L'affaire est à suivre...

hector · Le 31/01/2008, à 22:01

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...)

Dernière modification par hector (Le 31/01/2008, à 22:08)

ferker · Le 02/02/2008, à 00:23

'soir Sorbus and co,

Il faudrait peut-être signaler dans le tuto http://doc.ubuntu-fr.org/tesseract-ocr# … es_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.

Dom · Le 03/02/2008, à 10:55

@ 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 · Le 03/02/2008, à 11:11

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 · Le 03/02/2008, à 12:06

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 · Le 03/02/2008, à 12:16

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

Merci beaucoup

Sorbus · Le 03/02/2008, à 21:17

@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/ … opusfrench. 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) ?

Dernière modification par Sorbus (Le 03/02/2008, à 21:33)

Ubuntu-fr

Navigation

Liens de recherche

Annonce

#126 Le 26/01/2008, à 23:01

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

#127 Le 26/01/2008, à 23:20

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

#128 Le 27/01/2008, à 10:05

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

#129 Le 27/01/2008, à 14:29

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

#130 Le 27/01/2008, à 16:23

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

#131 Le 27/01/2008, à 17:21

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

#132 Le 27/01/2008, à 19:37

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

#133 Le 27/01/2008, à 20:51

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

#134 Le 27/01/2008, à 22:36

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

#135 Le 27/01/2008, à 22:52

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

#136 Le 27/01/2008, à 23:12

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

#137 Le 28/01/2008, à 10:30

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

#138 Le 28/01/2008, à 11:04

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

#139 Le 28/01/2008, à 16:40

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

#140 Le 28/01/2008, à 22:40

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

#141 Le 30/01/2008, à 23:21

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

#142 Le 31/01/2008, à 18:45

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

#143 Le 31/01/2008, à 21:09

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

#144 Le 31/01/2008, à 22:01

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

#145 Le 02/02/2008, à 00:23

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

#146 Le 03/02/2008, à 10:55

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

#147 Le 03/02/2008, à 11:11

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

#148 Le 03/02/2008, à 12:06

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

#149 Le 03/02/2008, à 12:16

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

#150 Le 03/02/2008, à 21:17

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

Pied de page des forums