Kleiner Vergleichstest Finereader 9 und Tesseract

Gestern wurde ich im Chat gefragt, welche OCR-Software ich empfehlen würde und da der Markt recht überschaubar ist und ich selbst seit einigen Jahren den Finereader einsetze und sehr zufrieden damit bin, blieben aus meiner Sicht eigentlich nur Finereader und als kostenlose Alternative Tesseract übrig.

Da mein Gegenüber etwas skeptisch war bezüglich der Qualität der von Finereader wurde ich gebeten eine Datei auf Commons mit einer Schreibmaschinenseite (Bild rechts) durch die OCR zu jagen. Und da zu einem Vergleichstest ja mindestens zwei gehören, war die gleiche Datei vorher bereits durch den Webservice Free OCR, der Tesseract verwendet, die Texterkennung durchgeführt worden.

Bei Free OCR kann man nur die Textsprache auswählen. Beim Finereader hab ich die OCR vollautomatisch ohne Auswahl der Textsprache oder eine Bildoptimierung durchführen lassen. Somit sollten die Ergebnisse sicherlich halbwegs vegleichbar sein. Ich habe derzeit den Finereader 9 in Benutzung. Vermutlich sähe das Ergebniss mit der aktuellen Version 10 nicht wesentlich anders aus.

Hier nun die Ergebnisse:

 Vergleich OCR-Ergebnis
Free OCR (Tesseract) Finereader 9
– I
§u*‘M~.. ‘ – , .’-‘J , ‘ms JOINT cl-uses or-‚ srass ‚
9* /f-<2» ~
‘Q _ _ wasmuoron fs.o.o.
-~~ .
i mmssnnw
IEMORMIDWKFOBTIESEOBMARYOFDEFENSE .‘ –
‘ Subject: Justification tor US Military Intervention
in cube (rs) ,-_- – .
‘ 1. ‘The Joint Chiefs of Staff have considered the attached
Memorandum“ for the Chief ’01‘ Operations, Cuba Project, which
responds to 3*-request of that office for brief but precise
‚ description of pretexts _which would provide Justification
for U8 military intervention in cube. _
H 2.‘ ‘the Joint Chiefs of staff recommend that the
proposed memorandum be forwarded as a preliminary submission
suitable for planning purposes. It is assumed that there
will be similar submissions from other agencies and that
these inputs will be used as a basis for developing a
_ time-phased plan. Individual projects can then be
considered on a case-by~case basis.
3. Further, it is assumed that a single agency will be
given the primary responsibility for developing military
and para-military aspects of the basic plan. It is
, recommended that _th:l.s responsibility for both overt and
-covert military operations be assigned the Joint Chiefs of
“ . – I . .
. _ . For the Joint Chiefs of Staff:
svsrsnnoua I ‚ ‘
BY J68 Ii}?! -5?‘ C aim“. -.“ – — _ –
msslr – … .‘ ‘ .
– L. L. LEMRITZER
‚ – _‘ _ Chairman ‚
‚ Joint Chiefs .01‘ S
l Enclosure . ‚ I –
Illemo for Ohio!‘ oi‘ Operations, Cuba. Project CXCI-UDED mom 00$
‚ ‚ . . p ‚_ sxcwnno non umamrc
_ Bmamllwz non DIR 5200.10
. _‘ _ – ‚ DOES NM‘ APPLY
~-
THE JOINT CHIEFS OF STAFF WASHINGTON £3, D.C.
1
13 March 196a
IffiMORAtfDUM FOR THE SECRETARY OF DEFENSE
Subject: Justification for US Military Intervention
1* The Joint Chiefs of Staff have considered the attached Memorandum-for the Chief of Operations, Cuba Project, which responds to aNr_equest of that office for brief but precise description of „pretexts which would provide justification for US military intervention in Cuba.
2. The .Joint Chiefs of Staff recommend that the proposed memorandum be forwarded as a preliminary submission suitable for planning purposes. It is assumed that there will be similar submissions from other agencies and that these inputs will be used as a basis for developing a time-phased plan. Individual projects can then be considered on a case-by-case basis.
3. Further, it is assumed that a single agency will be given the primary responsibility for developing military and para-military aspects of the basic plan. It is reoommended that this responsibility for both overt and covert military operations be assigned the Joint Chiefs of Staff,
in Cuba (TS)
For the Joint Chiefs of Staff:
1 Enclosure
Memo for Chief of
Operations, Cuba project
EXCLUDED fROM GD$
EXCLUDED PROff AUTOMAT IC BEGRADING; DOD DIR 5200,10 ¦ DOES NOT APPLY

Terese für Korrekturlesen von OCR-Texten

Screenshot Terese

Gestern wurde auf der Wikisource-Mailingliste auf Terese aufmerksam gemacht. Das Programm ist wohl noch in einer sehr frühen Entwicklungsphase (aktuelle Version 0.0.2) und steht unter der {de:GNU General Public License} und kann bei Sourceforge  heruntergeladen werden. Dort befindet sich auch eine ausführliche Installations- und Bedienungsanleitung.

Der Programmautor beschreibt das Programm folgendermaßen (Übersetzung von mir):

Terese is a tool which can be used to facilitate proofing the outcome of OCR programs, such as Tesseract. The basic idea is to try to map the OCR text to the original image. Differences, i.e. errors in the OCR text, are then easily identifiable.

(Deutsch: Terese ist ein Tool für Unterstützung beim Korrekturlesen der Ausgabe von OCR-Programmen, z.B. von Tesseract. Die grundlegende Idee dabei ist, den OCR-Text auf den  originalen Scan abzubilden. Unterschiede, z.B. Fehler im OCR-Text, sind somit leicht zu identifizieren.)

Ich habe Terese nicht ausprobiert, da ich Finereader benutze, wo die Funktionalität ja bereits eingebaut ist. Aber vll. kann ja jemand seine Erfahrungen mit Terese mitteilen.

Fraktur-OCR mit Tesseract

Die folgende Anleitung für Fraktur-OCR mit Tesseract unter Windows beruht auf einem Text von Jowinix in Wikisource. Ich habe den Text leicht überarbeitet und werde den Text noch mit ein paar Screenshots versehen. Wenn jemand bereits die kommerzielle OCR-Software Finereader auf der Platte hat, den möchte ich auf meinen älteren Artikel zur Fraktur-OCR mit Finereader verweisen.

Tesseract 3 ist eine Texterkennungssoftware, die aktuell von Google  weiterentwickelt wird und unter einer Open-Source-Lizenz steht und dementsprechend kostenlos verwendet werden kann. Tesseract wird auch für die Texterkennung bei Google Books verwendet und verarbeitet die folgenden Bildformate: tif, multipage tif, jpg, gif und png. Tesseract ermöglicht Texterkennung für mehr als 30 Sprachen, darunter auch Fraktur (Deutsch, Dänisch und Schwedisch). Das Programm liefert auch bei mehdrspaltigem Layout gute Ergebnisse. Allerdings ist keine grafische Benutzeroberfläche dabei (es gibt aber GUIs von Dritten) und das Layout der Seite geht komplett verloren, wobei letzteres für Wikisource kein Problem darstellt. Für die Durchführung der OCR muss man also ein klein wenig auf der Windows-Kommandozeile rumklimpern.

Windows Vista und Windows 7

Für die beiden neueren Betriebssysteme von Microsoft sind ein paar Dinge zu beachten, die ich an den entsprechenden Stellen entsprechend mit WINDOWS VISTA/7 markiert habe. Für Nutzer dieser Betriebssystem also diese entsprechenden Anmerkungen und Anweisungen unbedingt beachten.

Installation

Aus der Liste auf code.google.com lade man sich die folgenden ZIP-Dateien herunter: tesseract-ocr-setup-3.00.exe bzw. die jeweils aktuelle Version (das eigentliche Texterkennungsprogramm) und deu-frak.traineddata.gz (Sprachdatei Deutsch-Fraktur). Die Datei mit den Sprachdaten entpacken. Wenn man keinen passenden Entpacker für gz-Dateien an Bord hat, kann man sich in wenigen Minuten den kostenlosen und leistungsfähigen Entpacker 7-Zip installieren. Bei Bedarf können auch weitere Sprachdateien heruntergeladen werden und entpackt werden, die gängigsten Sprachen kann man sich aber auch später bei der  Installation hinzufügen.

Das heruntergeladene Installationsprogramm tesseract-ocr-setup-3.00.exe ausführen und Tesseract installieren. Bei der Installation kann man bzw. sollte man die deutschen Sprachdateien mitinstallieren, die sind aber erstmal nur für Antiqua-Schrift. Aber Texte die in Antiqua gesetzt wurden, will man ja auch durch die OCR jagen.

Den Ordner öffnen in dem Tesseract installiert wurde, das sollte normalerweise C:\Program Files\Tesseract-OCR sein, und in den Unterordner tessdata die entpackte Datei deu-frak.traineddata kopieren oder verschieben. WINDOWS VISTA/7: An dieser Stelle möchte Windows Adminstratorrechte haben, um die Kopieraktion durchführen zu können. Das muss bestätigt werden.

Jetzt ist Tesseract für Fraktur-OCR vorberereitet.

OCR durchführen

Die Scans (Bilddateien) die mit Tesseract verarbeitet werden sollen, können am einfachsten in den Ordner kopiert werden, in den Tesseract installiert wurde. WINDOWS VISTA/7: Auch hier fragt Windows wieder nach Administratorrechten, dies ebenfalls bestätigen.

Wem die Kopiererei in den Tesseract-Ordner und unter Win7 die Nachfragerei zu lästig ist, der kann sie auch in einem anderen Ordner belassen (bspw. c:\Bilder). In diesem Falle muss der Aufruf von Tesseract etwas angepasst werden.

Am besten eignen sich Scans mit 300 dpi und Graustufen.

Für die eigentliche OCR muss man die Windows-Kommandozeile aufrufen. Das geht mit: Windows-Taste+r, in die erscheinende Eingabezeile „cmd“ (ohne die Anführungszeichen) eingeben und Enter drücken. WINDOWS-VISTA/7:  Zum Start der Kommandozeile muss unbedingt Ctrl-Shift-Enter gedrückt werden, damit diese mit Adminstratorrechten ausgeführt wird. Alternativ kann die Kommandozeile wie in diesem Blogbeitrag angegeben aufgerufen werden, damit diese mit Adminstratorrechten ausgeführt wird.

In dem erscheinenden schwarzen Fenster mit blinkendem Cursor muss man nun zum Tesseract-OCR Verzeichnis wechseln. Das geht folgendermaßen (vorausgesetzt Tesseract ist im oben angegebenen Verzeichniss installiert). Nach jeder Zeile Enter drücken:

cd C:\
cd Programme
cd Tesseract-OCR

Nun geht es aber zur eigentlichen OCR. Damit Tesseract die OCR mit Fraktur durchführt, muss für Bild-Dateien im tif-Format folgende Zeile eingeben werden und Enter gedrückt werden:

for %i in (*.tif) do tesseract.exe %i %i -l deu-frak

Bei Dateien im jpg-, gif- oder png-Format muss der Befehl entsprechend geändert. Bei anderen Sprachen ist deu-frak durch das entsprechende Kürzel zu ersetzen: Deutsch=deu, English=eng usw. Wenn man die Dateien nicht in den Tesseract-Ordner kopiert hat, dann sieht der Aufruf entsprechend des obigen Beispielsordners in dem sich die Dateien befinden folgendermassen aus:

for %i in (c:\Bilder\*.tif) do tesseract.exe %i %i -l deu-frak

Das folgende Beispiel führt entsprechend eine OCR für Bilddateien im png-Format mit deutschem Antiqua-Text durch:

for %i in (*.png) do tesseract.exe %i %i -l deu

Das Programm arbeitet nun alle Scans im Stapel ab und erzeugt für jede Bilddatei eine Textdatei.

Die einzelnen Textdateien können mit:

copy /b *.txt Gesamttext.txt

zu einer großen Text-Datei zusammengefügt werden.

Weitere Informationen in englisch finden sich bei code.google.com.