La función _f_do_barnacle_install_properties instala propiedades para una clase GObject. Establece una propiedad llamada "Barnacle code" de tipo uint64 que puede leerse y escribirse de forma privada. Esta propiedad almacena un código de barnacle y su valor predeterminado es el máximo valor uint64.

1. 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

2. ¿Qué es?
Análisis de Documentos y
Reconocimiento Óptico de
Caracteres para GNOME
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

3. ¿Porqué?
El papel tiene varios problemas
Sin aplicaciones para GNU/Linux
que hagan un buen trabajo
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

4. Problemas del papel:
Seguridad
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7
CC Photo by: http://www.flickr.com/photos/badwsky/

5. Problemas del papel:
Preservación
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7
CC Photo by: http://www.flickr.com/photos/98469445@N00/

6. Problemas del papel:
Procesamiento de datos
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7
CC Photo by: http://www.flickr.com/photos/hugovk/

7. Problemas del papel:
Ecología
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7
CC Photo by: http://www.flickr.com/photos/pranavsingh/

8. Hay motores de OCR para
GNU/Linux pero...
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

9. OCR != Conversión de Documentos
(sólo tiene en cuenta los caracteres)
(no considera la estructura)
(no distingue contenidos)
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

10. Lo que se quiere es
Análisis y Reconocimiento
de Documentos
(conversión de documentos para
formato electrónico)
(primeros proyectos en los 80s)
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

11. ¿Done estamos estábamos?
* Algunas soluciones cerradas
* Sólo para sistemas proprietarios
* Precios variados
* y todavía... resultados discutibles
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

12. ¿Cómo?
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

13. Cómo
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

14. 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
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

15. Tantas estructuras...
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7
CC Photo by: http://www.flickr.com/photos/uber-tuber/

16. Las estructuras varían con el tipo de
documento
Lo que funciona para detectar un
documento, no funcionará para otros
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

17. OCRFeeder se enfoca en
contenidos, no en estructuras!
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

18. 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
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

19. Hay contenido = Hay puntos cuyo
color es diferente del fondo
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

20. Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

21. Bloques:
Se llama bloques a los grupos de 1s
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

22. 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
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

23. Reconocimiento:
Se usan motores OCR del sistema
Los motores se configuran desde la
GUI o mediante ficheros XML
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

24. 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>
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

25. Clasificación:
Después de obtener el texto se
utilizan heurísticas para determinar
si el contenido representa gráficos o
texto
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

26. Exportación a ODT:
Usa ODFPy
(abstrae la creación de ODF)
(justo por encima de XML)
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

27. Últimas funcionalidades
* Mejorar la a11y
* Mejorar la detección de columnas
* Enderezar las imágenes
* Mejorar el reconocimiento de texto
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

28. Otras funcionalidades:
* Importación de PDF
* Uso del pre-procesador Unpaper
* Selección de fuente
* Exportación a HTML
* Grabar/cargar proyectos
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

29. 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
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

30. ABBY Finereader test
Nuance Omnipage test
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

31. Finereader's
results
Omnipage's
results
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

32. ¡Demo!
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

33. Futuro:
* Integración de Ocropus como
método de análisis alternativo
* Más formatos de exportación:
HOCR, txt, PDF
* Mejor integración con GNOME y
sus aplicaciones
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

34. GNOME:
Usa la infrastructura de GNOME
desde Enero
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

35. Página web:
http://live.gnome.org/OCRFeeder
git:
http://git.gnome.org/ocrfeeder
Bugzilla:
http://bugzilla.gnome.org
product: OCRFeeder
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

36. ¡Gracias!
Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7