Gần đây, tìm phần mềm Linux thực sự cool, mới, độc đáo trở thành một nhiệm vụ khó khăn. Một việc nhàm chán. Và nói "gần đây", tôi thực sự muốn nói về 4-5 năm qua, kể từ khi sự suy giảm nhiệt huyết và đổi mới trong không gian desktop bắt đầu.畢竟, trong một thể tích hữu hạn của trí tuệ, chỉ có một lượng tốt tốt nhất có thể tồn tại, nhưng đừng quên sự dịch chuyển sai lầm sang mobile và sự tan vỡ của giấc mơ "năm của Linux desktop".
Điều này làm cho bài test của tôi về phần mềm 4 tuổi tên OCRFeeder trở nên hợp lý, tôi nghĩ. Có hai lý do. Nếu nó tốt, nó tốt. Thứ hai, tôi luôn quan tâm đến tiến trình của nhận dạng ký tự quang học (OCR), và xem công cụ của chúng ta (đọc là AI) có làm được việc hợp lý ở đây không. Tôi đã viết chi tiết về chủ đề này trước đây, và đã đánh giá YAGF vào năm 2015. Bây giờ, hãy xem OCRFeeder có thể làm gì. Theo tôi, các chiến binh Linux dũng cảm.
Chữ không dễ dàng đến từ jpg
Tôi cài đặt chương trình. Có khá nhiều thư viện cần cài. Trên Ubuntu 18.04, danh sách chạy khá dài. Bạn nhận được engine OCR Tesseract làm bộ mặc định cho chương trình này.
The following additional packages will be installed:
blt gir1.2-goocanvas-2.0 gir1.2-gtkspell3-3.0 libgoocanvas-2.0-9 libgoocanvas-2.0-common libgtkspell3-3-0 liblept5 libtesseract4 libyelp0 python-bs4 python-chardet python-enchant python-html5lib python-lxml python-numpy python-olefile python-pil python-renderpm python-reportlab python-reportlab-accel python-sane python-tk python-webencodings tesseract-ocr tesseract-ocr-eng tesseract-ocr-osd tk8.6-blt2.5 unpaper yelp yelp-xsl
Suggested packages:
blt-demo python-gobject python-wxgtk3.0 python-genshi python-lxml-dbg python-lxml-doc gfortran python-dev python-nose python-numpy-dbg python-numpy-doc python-pil-doc python-pil-dbg python-renderpm-dbg python-egenix-mxtexttools python-reportlab-doc python-sane-dbg tix python-tk-dbg
Khởi động nó. Giao diện hơi utilitarian (thực dụng). Bạn trước hết cần tải một hoặc nhiều hình ảnh, sau đó dùng để cung cấp cho engine OCR, và hy vọng nó sẽ tạo ra văn bản độ chính xác hợp lý ở đầu ra. Khi xong, bạn có thể xuất văn bản sang LibreOffice.
Các Engine OCR
Như đã nói, mặc định OCRFeeder dùng Tesseract, nhưng bạn có thể thêm bất kỳ engine nào khác. Thực tế, tôi thử CuneiForm, GOCR và Ocrad, và chương trình phát hiện và tải tất cả chính xác. Rất gọn gàng. Điều này cho phép bạn thử tài liệu theo nhiều cách, vì bạn có thể may mắn hơn với một số engine.
sudo apt-get install cuneiform gocr ocrad
Chuyển đổi hình ảnh sang văn bản
Bây giờ, phần quan trọng. Tôi gặp chút khó khăn ở đây. Tôi để chương trình tự động phát hiện văn bản (recognize all pages) trong tất cả hình ảnh có sẵn, và nhận được đầu ra màu kỳ lạ. Việc này mất khoảng 3 phút cho 3 file PNG, và trong lúc đó, CPU OCRFeeder khoảng 17%, Tesseract dùng 4-5%. Thời gian chắc chắn rút ngắn được nếu ứng dụng tận dụng tốt hơn tất cả nhân CPU. Sau đó, đầu ra kỳ lạ. Tôi không chắc làm gì tiếp. Lạ. Có vẻ như tôi không tiến triển chút nào.
Sau đó, tôi nhận ra có thể dùng chuột kéo chọn vùng trên hình ảnh hiển thị, và sau đó, một khung riêng sẽ mở ra, nơi tôi chọn engine OCR mong muốn, và chạy chuyển đổi thực tế. Bỏ qua lỗi hiển thị, cách này hoạt động khá tốt, và chỉ mất vài giây xử lý mỗi ảnh.
Không có training hay thay đổi mặc định nào, sự khác biệt kết quả giữa 4 engine có sẵn là rất lớn. Tesseract cho kết quả tốt nhất - và là chuyển đổi duy nhất chấp nhận được. Các engine còn lại không đủ tốt để xem xét sử dụng. Tôi không chắc tại sao, chỉ là như vậy thôi.
Tôi cũng nhận ra kết quả tốt hơn với ảnh nền xám. Trước đây, Tesseract gặp khó khăn, nên bất kỳ cải tiến nào đi vào engine này đều đáng chào đón. Nhưng đây không phải là vấn đề của OCRFeeder, bạn có thể chạy Tesseract riêng từ dòng lệnh nếu muốn.
Căn chỉnh (Deskewing) & Làm sạch nền giấy (Unpapering)
OCRFeeder đi kèm hai tính năng hay - khả năng tự động xoay văn bản trong ảnh scan bị nghiêng, và khả năng loại bỏ nền giấy để giảm nhiễu, cho phép chuyển đổi chính xác hơn. Tôi thử cả hai, Deskew hoạt động tốt. Unpapering, tạm được. Nhưng sau khi xoay văn bản (tôi làm trong GIMP trên ảnh đối chiếu cách đây lâu), kết quả chuyển đổi còn tốt hơn.
Xuất ra ODT
Đây hơi tricky. Tôi thử vài lần, và gặp một đống lỗi. Cuối cùng nó hoạt động. Đầu ra không đẹp lắm, nhưng điểm tốt là bạn có thể xuất nhiều chuyển đổi cùng lúc, bao gồm dùng engine khác nhau cho các ảnh khác nhau. Khá hay.
Tùy chọn (Preferences)
Cuối cùng, bạn có tùy chọn thay đổi hành vi chương trình. Không gì quá lớn, nhưng có thể giúp phát hiện và độ chính xác. Chủ yếu xoay quanh cách phát hiện chiều rộng cột văn bản, lề, chọn ngôn ngữ, v.v. Đối với hầu hết người dùng, mặc định là điểm khởi đầu hợp lý.
Kết luận
OCRFeeder là phần mềm hợp lý, linh hoạt. Nó có thể dùng nhiều engine, và thuật toán sửa ảnh là bổ sung hay. Điều này làm cho OCRFeeder trở thành phần mềm loại này đầy hứa hẹn nhất trên thị trường miễn phí, nhưng hy vọng của bạn phải tan vỡ ngay, vì nó không太可能见到更新了, trừ khi ai đó nhặt nó lên. Vì có thị trường ở đây, nhưng thế giới Linux mắc kẹt ở vị trí khó khăn, giữa sự mệt mỏi và thờ ơ.
Bỏ qua chuyện tuổi tác và cập nhật, phần lớn OCRFeeder đã giao hàng. Chất lượng chuyển đổi không tệ, bạn không mất gì khi dùng UI làm việc, và chức năng xuất cho phép tạo tài liệu đẹp để chỉnh sửa tiếp. Tôi cũng vui với cải tiến của Tesseract. Vậy nếu bạn có một đống ảnh nhiều chữ, và muốn thử chuyển chữ viết tay trên các biểu mẫu cổ xưa thành thứ hiện đại, dùng được, bạn có thể dùng cái này. OCRFeeder hỗ trợ PDF và đọc trực tiếp từ scanner. Đáng để thử nghiệm. Giờ đi thôi, tạm biệt.
Chúc các bạn thành công.