OsterProjekt 2022 - Tesseract OCR: Ergebnisse

vorhergehende Artikel in: Java OpenSource 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 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 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 aufgesetzt

Alle Artikel rss Wochenübersicht Monatsübersicht Codeberg Repositories Mastodon Über mich home xmpp


Vor 5 Jahren hier im Blog

  • Ticketsysteme sind lebende Wesen

    29.03.2020

    Hier zunächst wieder eine Triggerwarnung: Dieser Artikel wird meine Meinung abbilden. es kann sein, dass sie dem einen oder anderen nicht gefällt - das ist mir aber egal. Und wenn hier irgendwelche Schneeflocken mitlesen, dann sind die selber schuld.

    Weiterlesen...

Neueste Artikel

  • Weitere Experimente mit dem Clifford-Attractor

    Ich berichtete hier bereits über Experimente mit dem Clifford-Attractor, allerdings war ich noch Experimente unter geringfügig geänderten Parametern schuldig...

    Weiterlesen
  • Neues Feature in meinem Static Site Generator: externe URLs

    Es wurde wieder einmal Zeit für ein neues Feature in meinem Static Site Generator mittels dessen ich ja auch meine Heimatseite im Zwischennetz gestalte und verwalte...

    Weiterlesen
  • Eine Bestandsaufnahme

    Es kamen mehrere Faktoren zusammen: die Tatsache, dass ich nicht mehr ganz so kürzlich die 50 überschritten habe hatte ebenso darauf Einfluss wie das heutige trübe Wetter und auch der Fakt, dass ich bereits beinahe alle Wochenendpflichten erledigt habe. Der letzte Stein des Anstoßes war dann aber, dass sich heute zum 125. Mal der Geburtstag von Erich Fromm jährt.

    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 Codeberg-Repositories findet man hier.