devel.cz

S free OCR riešeniami je to skutočne veľmi zlé. Ja som stál pred podobnou úlohou pár mesiacou dozadu a pri množstve dokumentov, ktoré som potreboval spracovávať (rádovo 100-ky tisíc) komerčne riešenia neprichádzali do úvahy. Ponuky od jednotlivých poskytovateľov sa pohybovali od tisícok eur na rok až na tisícky za mesiac. Preto som sa nakoniec uchýlil k Tesseract-u (https://github.com/tesseract-ocr/tesseract). Z mojích skúseností je to najlepší free OCR engine a myslím si, že by ti mohol stačiť.

Čo sa týka jazykov, tak Tesseract podporuje v defaulte skoro všetko od čestiny až po čínštinu: (https://code.google.com/p/tesseract-ocr/downloads/list). Ďalšie jazyky je možné dotrénovať. Taktiež umožňuje dotrénovanie prakticky ľubovolného fontu. Dokonca to funguje podobne ako píšeš:

1. zoberieš dokument s požadovaným fontom v čo najväčšej kvalite, kľudne si ho môžeš vytvoriť elektronicky
2. vyznačíš v obrázku obdlžníkmi (box-y) jednotlivé znaky do zvláštneho súboru
   • pre toto dokonca existuje špecializovaný sw, ktorý ti potom túto informáciu vyexportuje do súboru, ktorému Tesseract rozumie. Zoznam dostupného sw: https://code.google.com/p/tesseract-ocr/wiki/AddOns
   • pôvodný obrázok spolu s boxfile-om použiješ na trénovanie Tesseract-u

Celý postup trénovania nájdeš popísaný napríklad tu: https://blog.cedric.ws/how-to-train-tesseract-301

Na záver by som rád upozornil na problémy, na ktoré s Tesseract-om skoro určite narazíš. Ako som v úvode schválne spomenul Tesseract je len OCR-engine, nie plnohodnotné OCR riešenie. K tomu aby bol, mu chýbajú 2 hlavné veci:

1. Preprocessing dokumentov: ak sú tvoje dokumenty v zlej kvalite (zašumené, zrotované, farebné atď.) tak to môže skutočne radikálne znížiť presnosť. Z mojej skúsenosti som bez preprocessing-u začínal na presnosti cca. 30%. Po pridaní a vyladení preprocessingu som sa dostal až na presnosť 90%, čo považujem za veľmi dobrý výsledok, vzhľadom k často skutočne velmi nekvalitným dokumentom ktoré spracovávam. Nejaký veľmi stručny úvod do tejto problematiky nájdeš tu: https://code.google.com/p/tesseract-ocr/wiki/ImproveQuality
2. Pokročila segmentácia: To znamená rozsekanie dokumentu na časti s textom. To znamená ak tvoje dokumenty obsahujú napr. tabuľky, tak sa na nich Tesseract nemusí vôbec chytať. Z mojej skúsenosti je dobré z dokumentu vyhodiť všekto čo nie je text (teda ďalší preprocessing)

Mnou dosiahnutá presnosť 90% sa na danej množine dokumentov už blíži presnosti komerčných riešení, takže vzhľadom k ich cene sa mi vôbec ale vôbec neoplatia.

Rada na záver: kým niesu tvoje dokumenty ideálne predspracované, tak nemá vôbec žiadny zmysel Tesseract trénovať (spálil som natom veľa času). Ja nakoniec až na pár drobných nastavení používam všetko v default-e a to tiež dokumenty používajú bežne napr. rôzne fonty.