Ocrfeeder

static void
_f_do_barnacle_install_properties(GObjectClass
*gobject_class)
{

OCRFeeder
GParamSpec *pspec;

/* Party code attribute */
pspec = g_param_spec_uint64
(F_DO_BARNACLE_CODE,
"Barnacle code.",
"Barnacle code",
0,
G_MAXUINT64,
G_MAXUINT64 /*
default value */,

Conversión de documentos en GNOME
G_PARAM_READABLE
| G_PARAM_WRITABLE |
G_PARAM_PRIVATE);

g_object_class_install_property (gobject_class,

F_DO_BARNACLE_PROP_CODE,

Joaquim Rocha
jrocha@igalia.com

GUADEC ES 7

¿Qué es?

Análisis de Documentos y
Reconocimiento Óptico de
Caracteres para GNOME

Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

¿Porqué?

El papel tiene varios problemas

Sin aplicaciones para GNU/Linux
que hagan un buen trabajo


Problemas del papel:
Seguridad

CC Photo by: http://www.flickr.com/photos/badwsky/

Preservación

CC Photo by: http://www.flickr.com/photos/98469445@N00/

Procesamiento de datos

CC Photo by: http://www.flickr.com/photos/hugovk/

Ecología

CC Photo by: http://www.flickr.com/photos/pranavsingh/

Hay motores de OCR para
GNU/Linux pero...


OCR != Conversión de Documentos

(sólo tiene en cuenta los caracteres)
(no considera la estructura)
(no distingue contenidos)


Lo que se quiere es

Análisis y Reconocimiento
de Documentos

(conversión de documentos para
formato electrónico)
(primeros proyectos en los 80s)

¿Done estamos estábamos?

* Algunas soluciones cerradas
* Sólo para sistemas proprietarios
* Precios variados
* y todavía... resultados discutibles


¿Cómo?


Cómo


Concepto base:

1. Recortar los contenidos
2. Clasificarlos
2.1. Son gráficos → se pegan en el
documento
2.2. Son texto → Se calcula el
tamaño de letra; se pegan en el
documento

Tantas estructuras...

CC Photo by: http://www.flickr.com/photos/uber-tuber/

Las estructuras varían con el tipo de
documento

Lo que funciona para detectar un
documento, no funcionará para otros


OCRFeeder se enfoca en
contenidos, no en estructuras!


Concepto clave:

Si una imagen de un documento
puede ser dividida en ventanas de
1 (contenido) o 0 (sin contenido),
entonces es posible agrupar todos
los 1s y delinear los contenidos


Hay contenido = Hay puntos cuyo
color es diferente del fondo


Bloques:
Se llama bloques a los grupos de 1s


Juntando bloques:

Los bloques se comparan con los
demás y se juntan cuando sea
adecuado

Cuando ya no se pueden juntar más
bloques, la parte del análisis está
acabada


Reconocimiento:

Se usan motores OCR del sistema

Los motores se configuran desde la
GUI o mediante ficheros XML


Configuración de un motor OCR:

<?xml version="1.0" encoding="UTF-8"?>
<engine>
<name>Tesseract</name>
<image_format>TIFF</image_format>
<engine_path>/usr/bin/tesseract</engine_path>
<arguments>$IMAGE $FILE; cat $FILE.txt;
rm $FILE.txt</arguments>
</engine>


Clasificación:

Después de obtener el texto se
utilizan heurísticas para determinar
si el contenido representa gráficos o
texto


Exportación a ODT:

Usa ODFPy

(abstrae la creación de ODF)
(justo por encima de XML)


Últimas funcionalidades

* Mejorar la a11y

* Mejorar la detección de columnas

* Enderezar las imágenes

* Mejorar el reconocimiento de texto

Otras funcionalidades:

* Importación de PDF
* Uso del pre-procesador Unpaper
* Selección de fuente
* Exportación a HTML
* Grabar/cargar proyectos


Interacción con el usuario:

Los usuarios pueden editar y revisar los
resultados de los algoritmos

Entonces, la UI puede funcionar en
modo automático o “manual”

El ILC sólo funciona en el modo
automático

ABBY Finereader test

Nuance Omnipage test


Finereader's
results

Omnipage's
results


¡Demo!


Futuro:

* Integración de Ocropus como
método de análisis alternativo
* Más formatos de exportación:
HOCR, txt, PDF
* Mejor integración con GNOME y
sus aplicaciones


GNOME:

Usa la infrastructura de GNOME
desde Enero


Página web:
http://live.gnome.org/OCRFeeder

git:
http://git.gnome.org/ocrfeeder

Bugzilla:
http://bugzilla.gnome.org
product: OCRFeeder

¡Gracias!


Ocrfeeder

Recomendados

Recomendados

Más contenido relacionado

Similar a Ocrfeeder

Similar a Ocrfeeder (20)

Ocrfeeder