ocrfeeder

static void_f_do_barnacle_install_properties(GObjectClass

*gobject_class){

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 */,

G_PARAM_READABLE | G_PARAM_WRITABLE |

G_PARAM_PRIVATE);

g_object_class_install_property (gobject_class,

F_DO_BARNACLE_PROP_CODE,

Joaquim [email protected]

OCRFeeder

Conversión de documentos en GNOME

GUADEC ES 7GUADEC ES 7

Joaquim Rocha (Igalia) · OCRFeeder · GUADEC ES 7

¿Qué es?

Análisis de Documentos y Reconocimiento Óptico de Caracteres para GNOME


¿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/

http://www.flickr.com/photos/badwsky/


Problemas del papel:Preservación

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

http://www.flickr.com/photos/98469445@N00/


Problemas del papel:Procesamiento de datos

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

http://www.flickr.com/photos/hugovk/


Problemas del papel:Ecología

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

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 Reconocimientode 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 contenidos2. 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/

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


Nuance Omnipage test

ABBY Finereader test


Omnipage'sresults

Finereader'sresults


¡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

http://live.gnome.org/OCRFeeder

http://git.gnome.org/ocrfeeder

http://bugzilla.gnome.org/


¡Gracias!

ocrfeeder

Documents