[màj] Interface graphique pour Tesseract : gscan2pdf

ROC en français et autres langues... merci Sorbus ;)

samedi 19 janvier 2008, par zarer

42 Messages de forum

• Interface graphique pour Tesseract : gscan2pdf

  6 janvier 2008 16:18, par yodagoo

  Bonjour et merci pour vos articles

  j’ai bien suivi les procédures mais cela ne fonctionne pas. installation par ma méthode de b52 je lance gscan2pdf, j’importe un fichier essai.tif converti par imagemagick depuis essai.pdf Je n’ai pas la possibilité de reconnaissance en français (que l’anglais) pourtant j’ai bien copié tessdata dans /usr/local/share... pas de message d’erreur le texte obtenu donne quelques caractères (une vingtaine) sans rapport avec la page image initiale

  merci de votre aide

• Interface graphique pour Tesseract : gscan2pdf

  6 janvier 2008 16:46, par zarer

  Salut yodagoo,

  Tu peux nous dire quelle est ta distrib et nous donner le résultat quand tu lances gscan2pdf depuis le terminal après avoir lancé la reconnaissance de caractères ?

  As-tu essayé la reconnaissance par Tesseract en ligne de commandes ?

  @+

• Interface graphique pour Tesseract : gscan2pdf

  6 janvier 2008 18:29, par yodagoo

  distrib = ubuntu 7.1

  en console gscan2pdf lancé donne : « :Legal US : :Letter US : :A4 :»

  et lance l’interface graphique pas de message d’erreur

  j’ouvre alors une image de lettre format A4 image au format .tif

  message en console : « Process 16285 exited. »

  puis je lance l’OCR reconnaissance "anglais" mais bug connu et à priori pas gênant

  voilà le résultat de mon OCR : « mw Mu Hwy. wc lx ! ,., A ( 4 LIM/’Y, »

  cela pour une lettre avec entete et 8 lignes de texte

  message console :

  « Tesseract Open Source OCR Engine Image has 8 bits per pixel and size (607,832) Resolution=72 » voilà !

• Interface graphique pour Tesseract : gscan2pdf

  6 janvier 2008 19:17, par zarer

  Re yodagoo,

  Tu as essayé avec une autre image ? Puisque l’OCR semble opérer, certes d’une manière douteuse... Mais la reconnaissance se fait...

• Interface graphique pour Tesseract : gscan2pdf

  6 janvier 2008 20:25, par yodagoo

  non je n’ai pas essayé avec une autre image je me demande si mon scanner n’est pas trop vieux, et la résolution trop faible, d’où des difficultés de reconnaissance. Il faudrait que je trouve une image "standard" avec laquelle cela fonctionnerait à cou sûr...

• Interface graphique pour Tesseract : gscan2pdf

  6 janvier 2008 20:28, par zarer

  yodagoo,

  Je vais t’envoyer une image qui m’a servi pour les tests...

• Interface graphique pour Tesseract : gscan2pdf

  6 janvier 2008 23:11, par yodagoo

  merci c’est sympa ! cela fonctionne en effet, mis à part quelques fautes dues à des lettres mal formées Ex e > c

  mais c’est inespéré par rapport à tous les résultas OCR que j’ai eu jusqu’alors avec les autres logiciels OCR type kooka ou autre

  un grand merci !

• Interface graphique pour Tesseract : gscan2pdf

  6 janvier 2008 23:18, par zarer

  Super yodagoo ! Nickel ! Tu confirmes que c’est un beau couple que ces deux-là !

  Merci pour tes retours. C’est très utile pour tout le monde.

  Qui a dit : "Linux... il y a moins bien mais c’est plus cher !"

  @+

• Interface graphique pour Tesseract : gscan2pdf

  7 janvier 2008 08:57, par dom

  yogadoo

  c’est quoi ton scanner

  moi j’ai eu un souci avec un vieux scanner agfa snapscan E5O il vient d’un utilisateur de windaube qui en passant de 98 à XP s’est trouvé fort dépourvu , ce scanner n’étant plus supporté par Agfa depuis fort longtemps

  mais y’a moyen de se débrouiller ,il est possible que ton scanner soir piloté par un twain générique faute de mieux dans mon cas y’avait moyen de prendre en compte le driver windaube 98

  sacré linux

• Interface graphique pour Tesseract : gscan2pdf

  7 janvier 2008 10:50

  Effectivement c’est un scanner Agfa Snapscan 1212, j’ai eu les mêmes problèmes en passant de 98 à Xp mais j’ai réussi à trouver les pilotes à ce moment. Maintenant, je veux complètement linuxifier ma station de travail. Malheureusement mon logiciel professionnel ne fonctionne que sous Windows, mal sous Wine, et je suis obligé de passer par une virtualisation de XP, ce qui fonctionne parfaitement bien (Virtualbox) Je scanne quotidiennement une demi-douzaine de courriers de correspondants pour les inclure en mode texte (le mode image pdf prend trop de place et est lours à gérer). Ce vieux scanner Agfa marche très bien sous ubuntu, et est même plus rapide que sous Windows !!! Mais le problème jusqu’alors était l’OCR

• Interface graphique pour Tesseract : gscan2pdf

  8 janvier 2008 03:27, par ced668

  Super mais vous n’auriez pas prevue de creer un .deb pour les 64bits par hasard ?

• Interface graphique pour Tesseract : gscan2pdf

  8 janvier 2008 16:20, par zarer

  Salut ced668,

  Désolé mais personne dans l’équipe ne tourne sur 64bits ! Le problème s’est déjà posé avec Phatch... Regarde vers la solution de topgun (en commentaire). P’têt que c’est transposable... Je ne peux pas m’engager à ce sujet.

  @+

• Interface graphique pour Tesseract : gscan2pdf

  13 janvier 2008 02:03, par ced668

  c’est bon j’ai reussi a tout installer corectement en compilant le tout a partir des source, mais c’est vrai qu’il a un manque de paquet pour 64bit (je voulai WinFF mais que 32bit aussi)

• Interface graphique pour Tesseract : gscan2pdf

  13 janvier 2008 05:06, par zarer

  Salut ced668,

  Content que tu y sois arrivé... Au vu des difficultés ce serait pas mal de rendre compte de ton installation à ceux, qui comme toi, tournent en 64 bits... Quand penses-tu ced668 ? Ça peut être utile, non ?

• Interface graphique pour Tesseract : gscan2pdf

  19 janvier 2008 14:51, par Sorbus

  Salut zarer,

  J’ai quelques interrogations concernant la sélection de la langue utilisée pour le post-traitement de la ROC avec gscan2pdf.

  Comme indiqué plus haut :

  sur Ubuntu 7.10 et Debian Etch, bien que la reconnaissance de la langue française soit active, seul l’anglais est affiché.

  ... mais je doute un peu de ça :

  Ce petit bug d’affichage ne semble pas avoir d’incidence sur la qualité du rendu de la ROC.

  Puisqu’on ne peut pas sélectionner le français, je pense que le post-traitement français n’est pas actif. J’ai réalisé quelques tests ce matin dont je fais écho sur le fil de discussion dédié du forum Ubuntu, et de fait, la ROC tesseract en ligne de commande avec en fin de ligne "-l fra" me donne un résultat meilleur que la ROC tesseract via gscan2pdf.

• Interface graphique pour Tesseract : gscan2pdf

  19 janvier 2008 15:23, par zarer

  Salut Sorbus,

  Je viens de faire les mêmes tests que toi ; voici les résultats bruts :

  1. Tesseract + gscan2pdf sous Ubuntu 7.10 (impossible de choisir la reconnaissance en français) :

  aussi. Dcvant, sur les cotés, derriére, toujours l’éternellc muraillc lugubre, au pied de laquelle le fleuve tourbillonnant précipite en incessants remous son eau fangeuse. Sur le paysage agressif régne un silence dc mort. A la tombée du jour, cependant, sa bcauté sombre et calme acquiert une majesté unique. Le soleil s’était déj5 couché quand l’h0mme, 5 demi étcndu au fond dc sa barque, eut un violent frisson. Et soudain, étonné, il rclcva lourdcmcnt la téte : il sc sentait mieux. Sa jambe le faisait 5 peine souffrir, sa soif climinuait, et sa poitrine, libérée, s’ouvrait cn une lente inspiration.

  2. Tesseract en ligne de commandes avec la reconnaissance en français :

  aussi. Devant, sur les côtés, derrière, toujours l’éternelle muraille lugubre, au pied de laquelle le fleuve tourbillonnant précipite en incessants remous son eau fangeuse. Sur le paysage agressif règne un silence de mort. A la tombée du jour, cependant, sa beauté sombre et calme acquiert une majesté unique. Le soleil s’était déjà couché quand l’homme, à demi étendu au fond de sa barque, eut un violent frisson. Et soudain, étonné, il releva lourdement la tête : il se sentait mieux. Sa jambe le faisait à peine souffrir, sa soif diminuait, et sa poitrine, libérée, s’ouvrait en une lente inspiration.

  3. Tesseract en ligne de commandes sans la reconnaissance en français :

  aussi. Dcvant, sur les cotés, derriére, toujours l’éternellc muraillc lugubre, au pied de laquelle le fleuve tourbillonnant précipite en incessants remous son eau fangeuse. Sur le paysage agressif regne un silence dc mort. A la tombée du jour, cependant, sa bcauté sombre et calme acquiert une majesté unique. Le soleil s’était déia couché quand l’homme, at demi étcndu au fond dc sa barquc, eut un violent frisson. Et soudain, étonné, il rclcva lourdcment la téte : il sc sentait mieux. Sa jambc lc faisait ai peine souffrir, sa soif diminuait, et sa poitrine, libérée, s’ouvrait cn une lente inspiration.

  4. Sous Debian Lenny, Tesseract + gscan2pdf avec reconnaissance en français :

  aussi. Devant, sur les côtés, derrière, toujours l’éternelle muraille lugubre, au pied de laquelle le fleuve tourbillonnant précipite en incessants remous son eau fangeuse. Sur le paysage agressif règne un silence de mort. A la tombée du jour, cependant, sa beauté sombre et calme acquiert une majesté unique. Le soleil s’était déjà couché quand l’homme, à demi étendu au fond de sa barque, eut un violent frisson. Et soudain, étonné, il releva lourdement la tête : il se sentait mieux. Sa jambe le faisait à peine souffrir, sa soif diminuait, et sa poitrine, libérée, s’ouvrait en une lente inspiration.

  Effectivement, quand on voit la différence de résultat, il n’ y a aucun doute : la reconnaissance du français via gscan2pdf sous Ubuntu 7.10 + Tesseract 2.01 n’est pas active ! Je pense que les tests seront les mêmes sous Debian Etch.

  Bon bon bon... y a du boulot pour le dev de gscan2pdf.

  @+ Sorbus et merci pour tes tests !

• Interface graphique pour Tesseract : gscan2pdf

  19 janvier 2008 20:31, par Sorbus

  Voilà donc, avec une petite manip simple, la question est résolue pour les langues pour Ubuntu 7.10 (et probablement pour Debian Etch).

  En fait, le dossier /tessdata contenant les fichiers de langue est par défaut dans : /usr/local/share/ Mais gscan2pdf le cherche dans /usr/share/tesseract-ocr/

  Il suffit donc de créer le dossier /tesseract-ocr dans /usr/share/ et de copier le dossier /usr/local/share/tessdata/ dans /usr/share/tesseract-ocr/

  Autrement dit :

  J’ai créé :

  sudo mkdir /usr/share/tesseract-ocr

  et j’ai copié :

  sudo cp -R /usr/local/share/tessdata/ /usr/share/tesseract-ocr/

  et c’est tout bon.

• Interface graphique pour Tesseract : gscan2pdf

  19 janvier 2008 23:19, par leonux

  Salut Sorbus,

  Merci pour tes contributions, grâce à ce travail d’équipe, nous avons, aujourd’hui, le plaisir de mettre à jour ce didacticiel :)

  ça te dirait de nous rejoindre dans la M-L linonroot-dev ? prévoir un grand nombre de courriels à réceptionner ;)

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 01:33, par gldx

  Bravo pour cet article bien détaillé.

  J’ai deux petites remarques concernant le répertoire /usr/share/tesseract-ocr :
   il est inutile d’utiliser "mkdir" avant d’utiliser "cp" puisque ce dernier va créer le répertoire de destination de la copie s’il n’existe pas ;
   il serait plus simple de créer un lien symbolique sur /usr/local/share/tessdata plutôt que d’effectuer une copie de ce répertoire.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 02:27, par zarer

  Bonsoir gldx,

  Merci pour le retour.

  Pour la commande cp, j’ai eu un doute, mais non, cp ne crée pas le répertoire. J’ai essayé, rien.

  Pour les liens symboliques, par contre, je n’y avais pas pensé. C’est une solution plus élégante. Je vais modifier ça de suite.

  Tu m’as permis aussi de ressortir deux trois bouquins pour revoir la création des liens symboliques/physiques...

  @+

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 04:25, par gldx

  Effectivement, au temps pour moi, je me suis embrouillé. Donc ma première remarque sur cp est à oublier.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 07:57, par FredBezies

  Quelques infos.

  Je n’utilise pas ubuntu, mais archlinux.

  Et le lien symbolique de fin est à modifier :

  ln -s /usr/local/share/tessdata/ /usr/share/tesseract-ocr/

  par

  ln -s /usr/share/tessdata/ /usr/share/tesseract-ocr/

  Et on a toutes les langues voulues ;)

  Sinon, ton tutoriel est excellent, et j’avoue apprécier tesseract !

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 09:08, par leonux

  Salut les ami(e)s ;)

  Bon, on va continuer à faire le tour du test de ce tuto ;)

  Voilà ce que ça donne sous Fedora Core 8

  les paquets :

  tesseract 2.01-1.fc8
  tesseract-langpack-fr.noarch 2.00-2.fc8
  gscan2pdf.noarch 0.9.19-1.fc8

  le lien symbolique :

  créer le répertoire comme les copains :

  # mkdir /usr/share/tesseract-ocr

  créer le lien symbolique :

  # ln -s /usr/share/tesseract/tessdata /usr/share/tesseract-ocr/

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 12:42, par Ulhume

  Salutations :)

  Bon, test effectué sous Mandriva 2008.0, le tout s’installe sans grand problème via : # urpmi tesseract gscan2pdf

  Ca gscan a quelques soucis dans son IHM avec les accents (on dirait qu’il est compilé en ISO...) mais pour le fonctionnel, ça passe.

  Je confirme que 400dpi produit d’excellents résultats mais il faut tout de même bien retravailler les images (découper les multi-colonnes et les images). J’attends avec impatience l’aboutissement du nouveau projet pour ne plus avoir à jouer du gimp avant numérisation.

  En tout cas merci pour cet article et cet outil que je ne connaissais pas mais que je ne vais plus cesser d’utiliser !!

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 14:51, par dzef

  Salut zarer,
  Super article ! Un modèle d’école ! Bravo.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 15:33, par Sorbus

  Salut les amis.

  Sympa cette collaboration : Debian Lenny, Debian Etch, Ubuntu Gutsy (7.10), Archlinux, Fedora Core 8, Mandriva 2008... Continuons ;-)

  Merci à gldx : le lien symbolique est en effet bien plus judicieux (question de place, mais aussi en cas d’ajout postérieur de fichiers de langues).

  @Ulhume Sous Mandriva, pour les langues, c’est bon ? Ou faut-il aussi créer un lien symbolique ?

  @leonux

  ça te dirait de nous rejoindre dans la M-L linonroot-dev ? prévoir un grand nombre de courriels à réceptionner ;)

  Je crains un peu ça en effet... Question d’équilibre entre le temps passé à guider de nouveaux venus sous Linux... les contributions à la doc. Ubuntu... Et puis je fonctionne ponctuellement sur des questions qui m’intéressent davantage comme celle qui est l’objet de ce didacticiel.

  Mais je viens de relire la page de présentation. J’apprécie cet esprit. Si vous acceptez que mes contributions ne soient que ponctuelles et épisodiques (et que je ne lise pas tout l’abondant courriel), je veux bien vous rejoindre... Mais si cette contribution trop épisodique perturbe la cohésion et le fonctionnement de votre équipe, ne m’intégrez pas... Je resterai quoi qu’il en soit un heureux sympathisant ;-)

  Dernière chose pour zarer et la mise à jour "langues" de ce didacticiel... Il me semble qu’il faudrait revoir un peu ce qui est dit après le message de Jeffrey Radcliffe et sa traduction (qui soit dit en passant est le produit relativement correct d’un traducteur en ligne), c’est à dire à partir de là :

  Autrement dit, si le message d’erreur est du type :

  Il me semble (j’avais bien essayé de lancer gscan2pdf dans un terminal pour voir) que je n’avais pas de message d’erreur dans le terminal. Il manquait cependant le lien symbolique pour que gscan2pdf trouve bien les fichiers langues...

  Les messages qui précèdent donnent les indications de façon simple (avec les petites variantes selon les distributions.) Les éléments utiles issus de ces messages auraient leur place à l’emplacement indiqué du didacticiel.

  Désolé pour ce message un peu long.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 15:46, par Sorbus

  @zarer... Non, j’ai relu le didacticiel... C’est bon. C’est juste une question de transition ou d’emplacement des différentes infos sur les langues. En gros :

  1°) Les éléments utiles pour que les fichiers langues soient bien installés.

  2°) Le lien symbolique pour que gscan2pdf les trouve là où ils sont (variable selon les distributions).

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 17:11, par zarer

  Salut Sorbus,

  Je viens de refaire complètement l’installation. Comme on peut s’y attendre : pas de reconnaissance possible. Les fichiers de langue ne sont pas trouvés.

  Je lance une recherche de /tessdata :

  locate tessdata

  /usr/share/tessdata

  Je lance gscan2pdf via le Terminal pour une reconnaissance :

  gscan2pdf

  Unable to load unicharset file /usr/local/share/tessdata/fra.unicharset Process 13430 exited. *** unhandled exception in callback : *** Error : cannot open /tmp/s5rtfgqCfn/yTcjsGuF7a.txt *** ignoring at /usr/bin/gscan2pdf line 1030.

  Je fais donc des liens symboliques pour /tessdata sagement comme il me le demande dans /usr/local/share/tessdata :

  ln -s /usr/share/tessdata /usr/local/share/

  J’ai maintenant la reconnaissance en anglais.

  Pour le français,

  mkdir /usr/share/tesseract-ocr

  ln -s /usr/share/tessdata/ /usr/share/tesseract-ocr/

  Cette nouvelle installation a été faite à partir du paquet de b52 qui contient les fichiers de langue française... Sur mon Ubuntu Studio, il n’est donc pas nécessaire de récupérer d’autres fichiers.

  Par contre, par deux fois je dois créer des liens symboliques, à deux endroits distincts : /usr/local/share et /usr/share/tesseract-ocr.

  Et tout marche nickel...

  Donc, il est utile de laisser tout ce qui est après :

  Autrement dit, si le message d’erreur est du type :

  Au cas où l’installation n’a pas été faite à partir du paquet de b52.

  Par contre, j’ai besoin d’une confirmation pour la création à deux endroits des liens symboliques à partir du paquet de b52.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 18:14, par yodagoo

  Bonjour

  je reviens vers vous pour confirmer ce que dit zarer J’ai dû moi aussi créer tesseract-ocr dans les 2 répertoires /usr/local/share et /usr/share pour que ce la fonctionne. J’avais commencé par le /usr/local/share et là toujours le bug "anglais" J’ai fait la même manoeuvre avec l’autre chemin et cela fonctionne bien et même plus que bien, puisqu’avant cela fonctionnait, mais seulement après avoir passé le fichier à unpaper, et les lettres mal formées étaient mal reconnues (exemple un e à la boucle mal fermée était reconnu comme un c). Maintenant c’est impeccable, tout est reconnu comme il faut !

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 18:38, par Sorbus

  Salut, J’essaye d’apporter quelques éléments. Nous avons en fait deux modes d’installation de tesseract 2.01

  1°) Le paquet de b52

  2°) Celui qui est indiqué dans la doc Ubuntu (et que j’ai suivi, il y a plus de deux mois) :

  cd //répertoire où se trouve l’archive//

  tar -zxvf tesseract-2.01.tar.gz

  cd tesseract-2.01

  ./configure

  make

  sudo make install

  Je note qu’avec cette méthode, il y a sous Ubuntu 7.10 un dossier /usr/local/share/tessdata qui contient non seulement les fichiers de langues que j’ai installé par la suite avec les "tesseract-2.00.fra.tar.gz", (idem pour l’allemand et l’anglais que j’ai aussi installés ainsi)... mais d’autres fichiers de langues (d’une autre nature, qui n’ont pas le même type de noms) pour des langues dont je n’ai pas installé les "tesseract-2.00.xxx.tar.gz", comme l’italien ou l’espagnol.

  Je pense donc que les langues fonctionnent lorsque tesseract a accès à la fois aux fichiers de langues "basiques" installés par défaut dans /usr/local/share/tessdata et aux fichiers complémentaires installés par les "tesseract-2.00.xxx.tar.gz"

  Si on place ces derniers dans un autre dossier tessdata /usr/share/tessdata... (paquet de b52),

  il faut qu’il y ait un double lien symbolique pour que depuis /usr/share/tesseract-ocr/tessdata, tesseract puisse voir aussi bien les fichiers de base qui sont dans /usr/local/share/tessdata et les compléments "tesseract-2.00.xxx.tar.gz" qui sont dans /usr/share/tessdata

  Je dis peut-être des bêtises... et je suis imprécis, car j’écris là depuis mon pc portable (et je suis loin de mon fixe où tout ceci est installé).

  Mais zarer et yodagoo, vous pouvez le vérifier. N’avez vous pas deux dossiers tessdata (en durs... non seulement liens symboliques) :

   l’un dans /usr/share

   l’autre dans /usr/local/share

   ?

  Si oui, que contiennent-ils

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 20:14, par zarer

  Salut Sorbus et yodagoo,

  @yodagoo : merci pour ta confimation.

  @Sorbus,

  À l’installation, je n’ai qu’un répertoire /usr/share/tessdata. Ce que montre la commande ’locate’ dans mon commentaire précédent.

  Comme l’indique le premier message d’erreur, ces fichiers devraient se trouver dans /usr/local/share.

  Et basiquement, si l’on reprend ce que dit Jeffrey, c’est là où ils sont qu’ils devraient être (lol) : "If tesseract 2.01 is compiled from source, it puts the language files by default in /usr/share/tessdata."

  Pourtant, ils sont réclamés en /usr/local/share, c’est là qu’est le problème, non ?

  Donc, premier lien :

  ln -s /usr/share/tessdata /usr/local/share/

  Le second lien, c’est celui que tous nous avons fait, après création du /tesseract-ocr :

  ln -s /usr/share/tessdata/ /usr/share/tesseract-ocr/

  Cela parce que Jeffrey Ratcliffe les a placés là...

  Voili voilou...

  Donc, en résumé, trois localisations de /tessdata :

  1. par défaut : /usr/share/.

  2. celle que tu as (et d’autres aussi) : /usr/local/share/.

  3. celle de Jeffrey Ratcliffe : /usr/share/tesseract-ocr/

  C’est cela qu’il faudra changer, unifier.

  @+

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 20:26, par zarer

  @ Sorbus,

  Avec ton installation de tesseract, tu n’as qu’un seul répertoire /tessdata. Lequel ne contient pas les fichiers de langue française, n’est-ce pas ? Par défaut, Tesseract 2.01 ne contient pas le français...

  Dans ce cas, pour tous les utilisateurs qui auront installé comme toi, il n’y a rien à modifier dans cet article.

  Par contre, par le paquet de b52, il n’est pas nécessaire de reprendre le paquet de langue française. Dans ce cas, seuls deux liens suffisent.

  Tu me suis ?

  @+

• [màj] Interface graphique pour Tesseract : gscan2pdf

  20 janvier 2008 21:55, par Sorbus

  Avec ton installation de tesseract, tu n’as qu’un seul répertoire /tessdata. Lequel ne contient pas les fichiers de langue française, n’est-ce pas ?

  C’est exact. Il faut que je les ajoute. Pour le français. Et de même pour les autres langues. Ce qui est assez simple comme suit :

  tar -zxvf tesseract-2.00.fra.tar.gz

  cd tessdata

  sudo cp * /usr/local/share/tessdata

  Et dans ce cas, un seul lien symbolique suffit. (pas de /usr/share/tessdata)

  Et avec le paquet de b52... pas besoin d’installer les fichiers de langue française (est-ce qu’il inclut aussi les autres langues pour ceux que ça intéresse ?)... et deux liens symboliques à créer.

  C’est clair... Et bien d’accord avec tes conclusions de l’avant dernier message... Pour simplifier les affaires, il faudrait que soit unifiée la localisation de tessdata.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  21 janvier 2008 07:58, par zarer

  Salut Sorbus,

  Dans son paquet .deb, b52 n’a ajouté que les fichiers pour le français.

  Bon bah voilà, je crois que l’installation et la ROC en français (et autres langues) avec ce duo de choc est à peu près efficace.

  J’ai modifié l’article avec nos dernières "découvertes".

  Tu sais, pour ta participation sur la mailing-list... une inscription n’oblige à rien, tu réponds à ce que tu veux ou peux...

  @+

• [màj] Interface graphique pour Tesseract : gscan2pdf

  30 janvier 2008 16:07, par b52 (Claude)

  Salut les gars,

  Un paquet récent inclus le lien dès l’installation :

  http://download.tuxfamily.org/xcfaudio/tesseract/

  pour le petit dernier :

  tesseract_2.02-3_i386.deb

• [màj] Interface graphique pour Tesseract : gscan2pdf

  30 janvier 2008 17:36, par zarer

  Merci b52 pour ce nouveau paquet...

  Je suis en train de faire un nouvel article sur Tesseract mais je suis un peu "charrette" en ce moment ! Trop de boulot ! Je vais me dépêcher...

  @+

• [màj] Interface graphique pour Tesseract : gscan2pdf

  6 février 2008 14:27, par Pierre

  Merci pour cet article très instructif. J’ai essayé l’installation sur une Fedora core 7 avec yum (tesseract + gscan2pdf), ça marche aussi. J’ai testé le résultat avec une image composée de deux textes assemblés. C’est loin d’être parfait < 50% de reconnaissance, mais bon c’est un début.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  6 février 2008 14:33, par zarer

  Bonjour Pierre,

  La perfection n’est pas de ce monde, entend-on dire çà et là... POurtant, à lire les résultats obtenus par les uns et les autres, on en approche avec Tesseract ! Les tiens paraissent bien ternes... Es-tu certain d’avoir bien installé les fichiers de langue ? Un lien symbolique est nécessaire si tu passes par les sources. Et la qualité de ton image, quelle est-elle ?

  Merci pour le retour.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  17 février 2008 15:54, par Laurent

  Merci beaucoup pour ces indications, je suis moi-même à la recherche d’une solution ocr sous linux depuis quelques temps et tout cela me convainc d’installer Lenny. Si j’ai bien compris c’est la voie la plus simple pour procéder à l’installation de Tesseract/gscan2pdf.

  J’ai remarqué qu’il est souvent question de dpi lorsque la qualité des images scannées est évoquée. Il me semble qu’il s’agit plutôt de ppi, pixel par pouce en français, alors que dpi, points par pouce, réfère à la finesse d’impression des imprimantes.

  Je vous signale cela car je suis entrain d’essayer d’établir à peu près quel type de prise avec un appareil photo numérique et de traitement complémentaire pourraient convenir pour fournir du 400ppi à Tesseract.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  18 février 2008 19:32, par zarer

  Salut Laurent,

  installer Lenny. Si j’ai bien compris c’est la voie la plus simple pour procéder à l’installation de Tesseract/gscan2pdf.

  Ben... je ne sais pas trop quoi te répondre. Je suis sous Lenny et il est bien vrai qu’aujourd’hui c’est la solution la plus directe (via les dépôts). Reste que l’installation de notre dernier paquet debian pour Tesseract ne complique pas grandement l’installation. Pour ceux qui tournent sur Debian et Debian-like.

  Merci pour tes éclaircissement sur "ppi/dpi". N’hésite pas à venir poster si tu as des précisions à apporter sur le sujet...

  Tiens-nous au courant de ton installation, si tu migres pour Lenny (ou autre d’ailleurs). Au fait, tu es sous quoi en ce moment ?

  @+

• [màj] Interface graphique pour Tesseract : gscan2pdf

  24 février 2008 15:57, par Laurent

  Merci Zazer de ta réponse, je réponds moi-même un peu tard j’ai été pris par mon job.

  En fait je suis sous Mac Os 10.4 très souvent, mais après être passé par Linux il y a quelques années (Suse principalement, en raison de mon matériel à l’époque). Certains soft linux me manquent et le fonctionnement global présentent certains avantages que Tiger n’a pas malgré toutes les qualités que je lui trouve. J’ai récemment installé KDE par dessus OsX et je passe de temps en temps vers cet autre bureau, mais je suis fondamentalement à la recherche d’une distrib que je pourrais installer en double boot et utiliser régulièrement.

  Je fonctionne également sous Xandros (qui est un dérivé Debian), du fait de mon acquisition récente d’un eeepc mais je ne pense pas que l’installation de Tesseract sur cette machine soit intéressante du fait de la faible puissance de l’engin. As-tu une idée justement de la consommation de ressources lors de reconnaissances comme celles que tu donnes en exemple ? Rien que le maniement d’une image en 400ppi ça doit déjà engager quelques billes ?

  Pour ppi/dpi j’essaie moi-même de m’y retrouver, je n’arrive pas à choper un apn sur lequel on puisse régler ce facteur qui est calé à 72ppi. Mais bon je continue, je suis potentiellement un très gros utilisateur du couple scan/ocr donc ça vaut le coup d’y passer un peu de temps.

• [màj] Interface graphique pour Tesseract : gscan2pdf

  4 octobre 2008 14:44, par wep

  D’abord un commentaire : merci pour cette page ; j’avais renoncé à faire de l’OCR sous Linux...

  ---

  Ce message est juste mon retour d’expérience en utilisant les infos de cette page mais sous Kubuntu Hardy 8.04.1, pour ceux qui seraient tentés.

  1-) Installation : via synaptic, installation de ces 2 paquets :

  - tesseract-ocr

  à noter : synaptic propose d’installer en même temps tesseract-ocr-de j’ai validé, puis j’ai ajouté le paquet : tesseract-ocr-fr et ’dévalidé’ le paquet tesseract-ocr-de

  - gscan2pdf (synaptic associe à ce paquet un lot important de paquets secondaires ; j’ai bien sûr validé le tout)

  les installations ne durent que quelques dizaines de secondes

  2-) Test en ligne de commande : je suis parti d’une image scannée en jpeg de 1600x2200 pixels mais de qualité très moyenne (vieux bouquin) tesseract ne traitant que du tiff, j’ai donc préalabklement converti mon image jpeg en tiff (gimp)

  Temps écoulé pour l’OCR : 4 secondes ; le fichier texte fait environ : 2000 caractères l’image d’origine fait environ 40 lignes de 60 signes, plus des lignes blanches,... ce qui est une image de page moyenne de livre moyen.

  La mise en page est perdue, mais le texte est reconnu à 99% (une vingtaine de corrections à faire) ; je n’avais jamais obtenu de tels résultats avec d’autres logiciels. Chaque ligne ’écran’ correspond à une ligne physique papier (donc avec une fin de ligne) Les caractères accentués sont particulièrement bien traités.

  3) Essai de gscan2pdf sur image au format tiff : j’obtiens le message : "Attention, il manque des packages : le frontend scanadf n’est pas disponible. L’enregistrement au format DjVu requiert djvulibre-bin, l’outil unpaper est manquant" mais le prog se lance (en français) (**) résultats identiques au test en ligne.

  (**) via synaptic, j’ai finalement installé ces 2 paquetages [unpaper et djvulibre-bin] ; je ne sais pas s’ils ont réellement un intérêt ici...

  4-) Essai de gscan2pdf en scannage direct à partir du logiciel lui-même : faire des réglages pour scanner en 200 dpi (ou >) pour avoir un bon compromis entre vitesse/qualité OCR.

  Encore merci,