xsane2tess : un adaptateur tesseract pour Xsane

xsane2tess est un adaptateur permettant d'utiliser le moteur de reconnaissance optique de caractères tesseract avec l'application de numérisation Xsane. Xsane2tess a été proposé par MadMax sur le forum MandrivaUser.de.

Pour utiliser la reconnaissance optique de caractères tesseract avec l'application de numérisation Xsane, il est nécessaire de créer un script. Pour cela, il suffit de suivre la procédure suivante:

  1. Créez le fichier xsane2tess par exemple sur votre Bureau et copiez-y le contenu suivant:
    xsane2tess
    #!/bin/bash
      #
      #
      ##############################################################################
      #
      #                                   xsane2tess 1.0
      #
      #                          *** tesseract made simple ***
      #
      #
      ##############################################################################
      # 
      # xsane2tess is a TesseractOCR wrapper to be able to use tesseract with xsane
      #
      #
      #
      TEMP_DIR=/tmp/      # folder for temporary files (TIFF & tesseract data)
      ERRORLOG="xsane2tess.log"  # file where STDERR goes 
     
      if [[ -z "$1"  ]]
        then
        echo "Usage: $0 [OPTIONS]
     
        xsane2tess converts files to TIF, scans them with TesseractOCR
        and outputs the text in a file.
     
        OPTIONS:
          -i <file1>  define input file (any image-format supported)
          -o <file2>  define output-file (*.txt)
          -l <lang>  define language-data tesseract should use
     
        Progress- & error-messages will be stored in this logfile:
           $TEMP_DIR$ERRORLOG
     
        xsane2tess depends on
          - ImageMagick  http://www.imagemagick.org/
          - TesseractOCR http://code.google.com/p/tesseract-ocr/
     
        Some coding was stolen from 'ocube'
        http://www.geocities.com/thierryguy/ocube.html
      "
        exit
      fi
     
     
      # get options...
      while getopts ":i:o:l:" OPTION
        do
        case $OPTION in 
          i)  # input filename (with path)
            FILE_PATH="$OPTARG"
          ;;
          o )  # output filename
            FILE_OUT="$OPTARG"
          ;;
          l )  # Language-selection
            TES_LANG="$OPTARG"
          ;;
        esac
      done
     
      # redirect STDOUT to FILE_OUT
      exec 1>>$FILE_OUT
     
      # redirect STDERR to ERRORLOG
      exec 2>>$TEMP_DIR$ERRORLOG
     
      # strip path from FILE_PATH, use filename only
      IN_FILE=${FILE_PATH##*/}
     
      TIF_FILE="$TEMP_DIR""${IN_FILE%.*}".tif
      TXT_FILE="$TEMP_DIR""${IN_FILE%.*}"
     
      # converting image into TIFF (ImageMagick)
      convert "$FILE_PATH" -compress none  "$TIF_FILE" 1>&2
     
      # start OCR (tesseract expands output with *.txt)
      tesseract "$TIF_FILE" "$TXT_FILE" -l "$TES_LANG" 1>&2
     
      # STDOUT scanned text => FILE_OUT
      cat "$TXT_FILE".txt
     
      # delete graphic file after use
      rm "$TIF_FILE"
     
      # delete tesseract output
      rm "$TXT_FILE".txt
  2. Rendez exécutable ce fichier xsane2tess,
  3. Depuis un terminal, copiez le fichier xsane2tess dans le dossier dans /usr/bin, en admettant que vous l'avez enregistré sur votre Bureau, sinon adapter le chemin:
sudo cp Bureau/xsane2tess /usr/bin

Vous pourrez ensuite consulter le fichier xsane2tess.log dans le dossier /tmp pour observer les éventuelles erreurs .

  1. Lancer l'application Xsane
  2. Puis dans le menu: Préférences → Configuration → Onglet "OCR" entrez les informations suivantes en respectant bien la casse :
    • Commande OCR : xsane2tess -l fra
    • Option de fichier d'entrée : -i
    • Option de fichier de sortie : -o

La langue du texte à numériser peut être modifiée quand on le veut dans le menu de configuration de XSane (l'option-l), à condition d'avoir installé les fichiers de langues correspondants de tesseract, comme indiqué dans le paragraphe Pré-requis.
XSane présente le grand avantage de permettre la sélection des colonnes ou zones d'un texte l'une après l'autre grâce à la prévisualisation, et donc avant traitement OCR par tesseract.

On obtient de bons résultats en numérisant à 300 ppi, noir et blanc (fichier "type : TEXT"). Pour plus de précisions, voir le paragraphe sur la ROC avec XSane.

Il suffit ensuite de copier-coller les fichiers obtenus dans une application de traitement de texte comme LibreOffice Writer, et la reconnaissance orthographique fait le reste…

Pour supprimer cette application, il suffit de supprimer son paquet, les paquets de langues installées et si ils ne sont plus nécessaires pour d'autres applications, supprimer les paquets tesseract et Imagemagick. Le script créé plus haut ne sera plus utile, vous pouvez aussi le supprimer.
Selon la méthode choisie, la configuration globale des applications sont conservées ou supprimées. Les journaux du système, et les fichiers de préférence des utilisateurs dans leurs dossiers personnels sont toujours conservés.

  • xsane2tess.txt
  • Dernière modification: Le 11/06/2017, 19:17
  • (modification externe)