OsterProjekt 2022 - Tesseract OCR: Ergebnisse

vorhergehende Artikel in: Java Git(lab|hub) Python
19.04.2022

Der Osterurlaub 2022 ist um - Zeit, die Ergebnisse meines Projektes für diese Zeit vorzustellen:

Ich führte die Analyse auf Ubuntu 20.04 mit der durch die offiziellen Paketquellen zur Verfügung gestellten Version von Tesseract durch. Zum Test benutzte ich beispielsweise dieses Bild hier:

Screenshot Beispielbild

Zunächst wollte ich feststellen, ob die in dem Artikel angegebene Vorgehensweise tatsächlich erfolgreich wäre, um die Regionen des Dokumentes mit Text zu finden. Dazu erstellte ich ein entsprechendes Python-Skript, das in einem dafür vorgesehenen Repository auf Gitlab veröffentlicht wurde.

Wie man am Ergebnis leicht sehen kann, funktioniert das tatsächlich so wie versprochen:

Screenshot Beispielhaftes Ergebnis des Python-Skripts zum Finden der Regionen

Damit könnte man (und das Python-Skript habe ich entsprechend erweitert) eine UZN-Datei schreiben, die die gefundenen Regionen beinhaltet. Tatsächlich tut meine Variante des Skripts noch etwas mehr: sie schreibt auch die Konfidenz mit in die Datei - diese zusätzliche Spalte wird von Tesseract beim Einlesen der Datei ignoriert.

Ich habe kurz überlegt, ob ich mich tiefer mit der Materie der GUI-Programmierung in Python beschäftigen sollte und habe davon Abstand genommen - statt dessen habe ich ein Java-Framework aus meiner Anfangszeit als Programmierer benutzt und dieses nach einem größeren Refactoring in einer Anwendung eingesetzt, die solche Dateien lesen und verstehen kann - Damit lassen sich dann die von Tesseract gefundenen Regionen manipulieren - man kann welche löschen, neue hinzufügen und die Größe und Position definierter Regionen ändern:

Screenshot Screenshots des Editors zur Manipulation von Regionen

Damit kann man dann die gewünschten Regionen festlegen, die erkannt werden sollen und das Ergebnis wiederum als UZN-Datei speichern.

Damit habe ich persönlich meine Neugierde gestillt - es kann sein, dass ich den Editor für die Regionen in der Folgezeit noch ein wenig poliere und dann ebenfalls auf Gitlab bereitstelle - genauere Pläne habe ich dafür aber noch nicht.

Warum man das alles benutzen sollte? Ich habe bereits einmal über verschiedene Anwendungen zum Dokumentenmanagement geschrieben - hier ist es aber meistens so, dass die Anwendungen Dokumente aus einem bestimmten Verzeichnis importieren und - abgesehen vielleicht vom Dokumenttyp - keine weiteren Metadaten setzen. Meine Idee war nun, zunächst entsprechende Templates als UZN-Dateien zu erstellen und vor dem Import in das Dokumentenmanagementsystem diese Templates auf das zu importierende Dokument anzuwenden - wenn das Dokument mit dem Template verarbeitet werden kann (an allen in der UZN-Datei angegebenen Positionen ist Text gefunden worden), werden die gefundenen Texte extrahiert und als Metadaten zusammen mit dem Dokument gespeichert. Falls ein Template nicht auf das Dokument passt, wird einfach das nächste versucht.

Damit hätte man ein flexibles System zur automatischen Indizierung eingehender Dokumente.

Artikel, die hierher verlinken

tesseractuzneditor

10.06.2022

Ich habe hier bereits verschiedentlich davon berichtet, wie ich versucht habe, mich dem Thema Optical Character Regognition (OCR) zu nähern. Nach einigen interessanten Diskussionen in den vergangenen Monaten habe ich jetzt ein damit in Verbindung stehendes Projekt auf Gitlab aufgesetzt

Alle Artikel rss Wochenübersicht Monatsübersicht Github Repositories Gitlab Repositories Mastodon Über mich home xmpp


Vor 5 Jahren hier im Blog

  • Aviator + Websockets

    15.06.2019

    Nachdem ich in den letzten Wochen und Monaten meine Zeit und Energie in die sQLshell gesteckt habe - was sowohl Bugfixing als auch neue Features betraf - habe ich nun endlich die Zeit gefunden, ein bereits lange überfälliges Feature an dWb+ und speziell am aviator zu implementieren.

    Weiterlesen...

Neueste Artikel

  • Neue Version plantumlinterfaceproxy napkin look

    Es gibt eine neue Version des Projektes plantumlinterfaceproxy - Codename napkin look.

    Weiterlesen...
  • Apache HTTPCore5 funktioniert nicht mit Docker

    Ich habe neulich drei Stunden meines Lebens verschwendet weil ich unbedingt die neueste Version der HTTPCore5 Library von Apache einsetzen wollte.

    Weiterlesen...
  • Entwurfsmodus für beliebige SVG Graphiken

    Nachdem ich in der Vergangenheit immer wieder Weiterentwicklungen der Idee vorgestellt habe, Graphiken mit dem Computer so zu ezeugen dass sie eine gewisse "handgemachte" Anmutung haben, habe ich nunmehr die durchschlagende Idee gehabt:

    Weiterlesen...

Manche nennen es Blog, manche Web-Seite - ich schreibe hier hin und wieder über meine Erlebnisse, Rückschläge und Erleuchtungen bei meinen Hobbies.

Wer daran teilhaben und eventuell sogar davon profitieren möchte, muß damit leben, daß ich hin und wieder kleine Ausflüge in Bereiche mache, die nichts mit IT, Administration oder Softwareentwicklung zu tun haben.

Ich wünsche allen Lesern viel Spaß und hin und wieder einen kleinen AHA!-Effekt...

PS: Meine öffentlichen GitHub-Repositories findet man hier - meine öffentlichen GitLab-Repositories finden sich dagegen hier.