tesseractuzneditor

vorhergehende Artikel in: Java Komponenten OpenSource
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

Für meine Experimente benutze ich Tesseract. Diese Lösung existiert als fertige Anwendung und als Framework mit API, das man in eigene Projekte einbinden kann. NAchdem ich bereits einige Experimente mit der Anwendung gemacht habe, habe ich in den vergangenen Monaten mit dem Framework experimentiert. Dieses bietet die Möglichkeit, eingescannte Vorlagen zu analysieren und zum Beispiel zusätzlich zum erkannten Text auch die Koordinaten auszugeben, an denen der Text erkannt wurde - ergänzt um die Konfidenz.

Die Anwendung Tesseract kann .uzn-Dateien verarbeiten: Wird eine solche Datei gefunden, wird nicht das gesamte Bild verarbeitet, sondern nur die darin angegebenen Bereiche und Regionen.

Das neue Projekt basiert auf dem Tesseract-Framework ist ein Editor zur Erstellung solcher Dateien: Ein Bild wird geladen und anschließend kann man auf dem Bild Regionen markieren, die in ihrer Gesamtheit als .uzn-Dateien gespeichert werden können.

Die eigentliche Idee war, dass damit Templates erzeugt werden können, die dann in einer Batchverarbeitung auf gescannte Dokumente angewendet werden - Anhand der Tatsache, für welche .uzn-Datei die meisten Regionen mit gefundenem und erkannten Text gefüllt werden könnte man dann eine KLassifikation nach Dokumentarten vornehmen und sie entsprechend in ein Dokumentenmanagementsystem (DMS) einfügen.

Man kann aber natürlich noch weitergehen und den aktuell vorhandenen Editor um eine direkte Anbindung zu einem DMS wie etwa Mayan erweitern. So könnte man sich dann einen Arbeitsablauf vorstellen, dass verschiedene .uzn-Dateien vorhanden sind - ein gescanntes Dokument wird geladen, die entsprechend korrekte .uzn-Datei ausgewählt und OCR dafür durchgeführt - die Regionen entsprechen den einzelnen Metadaten-Feldern und die gefundenen Inhalte werden als Metadaten zum archivierten Dokument direkt ins DMS abgelegt, indem entsprechende Funktionen der API des DMS benutzt werden.

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


Vor 5 Jahren hier im Blog

  • Bildverarbeitung in Java multi-threaded

    13.08.2020

    Ich habe vor einiger Zeit darüber berichtet, dass ich eine alte Bibliothek zur Bildverarbeitung von C++ nach Java portiert habe. Ich habe sie inzwischen poliert und um neue Features ergänzt...

    Weiterlesen

Neueste Artikel

  • Java und (Neo)Vim - der letzte Strohhalm

    Ich habe bereits mehrmals über Rückschläge und Fortschritte bei meinem Umstieg von "traditionellen" IDEs auf (Neo)Vim berichtet - eine Anforderung meinerseits an ein System zur Entwicklung von Software war dabei bisher unerfüllt geblieben - bisher...

    Weiterlesen
  • LinkCollections 2025 VIII

    Nach der letzten losen Zusammenstellung (für mich) interessanter Links aus den Tiefen des Internet von 2025 folgt hier gleich die nächste:

    Weiterlesen
  • Ideen für die schnellere Beschaffung von Schulmaterialien

    Ich wurde auf ein Problem hingewiesen, das in meiner Welt bisher noch nie vorkam: Jedes Jahr erhält man als Eltern eine Liste von Dingen, die für die lieben Kleinen anzuschaffen sind, damit sie in der Schule mitarbeiten können.

    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.