Eesti keelt tundev tasuta OCR programm

[Sander]

Estobunto teemas tuli jutuks OCR. See tuletas mulle meelde, et kasutan skännimiseks ja tekstituvastuseks ikka veel Windowsi. Skännimisega ei ole midagi teha, aastaid tagasi ostetud CanoScanD1250U2 ei ole Linuxis toetatud ja sellel ma rohkem ei peatuks.
Panin foorumi otsingusse OCR ja sain 3 tulemust, vaatasin need teemad läbi ja leidsin, et asjast ei ole juttu olnud.
Nüüd pika sissejuhatuse peale küsimus.
Kas Linuxile on olemas ilma rahata saadavat OCR programmi, mis eesti keelt tunneb?

[Qilaq]

Ilma rahata vist korralikku ei ole, vähemalt pole kuulnud...

[Sander]

Kasutan windowsi all üht aastast 2000 pärinevat programmi nimega Cuneiform, mis tunneb eestikeelse teksti peaaegu 100%
Nüüd asja uurides avastasin, et nimetet programm on 2007 a detsembris saanud vabavaraks ja 2008 a aprillist avatud lähtekoodiga.
http://en.openocr.org/download/
Kõige olulisem uudis mulle - "Cuneiform is being ported to Linux, BSD and Mac OS X"
allikas: http://en.wikipedia.org/wiki/CuneiForm_(software)
Kui aega saan, proovin ära
https://launchpad.net/cuneiform-linux

[urmas]

Vana teema jätkuks - huvitav, et täna pole olukord üldsegi mitte parem (rääkides ainult käsureautiliitdest).
Maadlen siin suure hulga pdf failidega millede puhul ainuke võimalus tekstiks muutmisel on OCR. Ja pikkade testide tulemusel on selge, et ...

* gocr, clara, tesseract ja ocrad annavad suht võrdväärselt kehva tulemuse.
* cuneiform on suhteliselt hea, omades eestikeele tuge, ent jääb aegajalt hätta üksikute (oluliste) märkidega ja omab samas müstilisi vigu (võib kokku joosta kui lehel on ainult paar tähte või servast-servani täis. ja mis kõige hullem - arendus on selle aasta kevadel lõpetatud...

tesseract omaks kõige rohkem tulevikuväljavaateid kui ainult Google oma kõikvõimsuses huvi selle vastu tunneks ja muidugi pisutki dokumentatsiooni, kasutajasõbralikuse ning sisenformaatide laiendamisega vaeva tahaks näha..

[Qilaq]

Need ei ole siis "päris" PDF-id, vaid skannimisel saadud pildid, lihtsalt PDF-ina salvestatud, mitte JPG või mõne muu pildivorminguna? Üks koht, mida võib proovida ja mille kohta ma olen kuulnud suhteliselt häid sõnu (endal ei ole päris mitu aastat OCR-iga otsest kokkupuudet olnud), on http://free-online-ocr.com/ Iseasi, kui hästi ta eesti keelega toime tuleb, aga kui ta väidetavalt annab muidu häid, peaaegu 100% tulemusi, nagu ma olen kuulnud, siis ehk oskab ta ka selle maanurga keelega midagi peale hakata

[Sander]

Sain Epsoni skänneriga kaasa ABBYY FineReader 6.0 Sprint Plus nimelise programmi ja paigaldasin winega Fedora 15-s. Töötab ja eesti keel on väga hea, kuigi programm ise juba üsna vana, aga noh, kes see kingitud hobuse suhu vaatab.

[urmas]

Need ei ole siis "päris" PDF-id, vaid skannimisel saadud pildid, lihtsalt PDF-ina salvestatud, mitte JPG või mõne muu pildivorminguna? ...

täitsa õiged PDF'id on, ainult et embedded fontidega ja googlest otsitu põhjal on failist kaotsi lastud kogu encodingu info - näituseks sobib selline thread http://forums.adobe.com/message/1942024#1942024
Dokumendid pärit meie oma riigiaparatuurist ning wordist konverditud. Tekst on tekst, aga kopi-paste annab tulemuseks krõnksujada.

windoozes on jah pädevaid OCR'e mis teevad 100% head tööd, paraku on vaja linuxi käsurida.

[muhv]

abbey-l on ju ka linuxi versioon olemas

[Qilaq]

hmm, käsurea kohta ei oska öelda, aga graafiliselt on PDF-ide puhul seni asjad ära ajanud Okular, mis laseb kenasti teksti valida ja kopeerida (on olnud ka üksikuid Eesti dokumente, kuigi valdavalt on mul mujalt pärit tekstidokumendid või raamatud).

[tramm]

abbey-l on ju ka linuxi versioon olemas

Ja vastavalt teema pealkirjale on see ka "tasuta teatud tingimustel", kuigi mitte "vaba".

[akbgf]

Dokumendid pärit meie oma riigiaparatuurist ning wordist konverditud. Tekst on tekst, aga kopi-paste annab tulemuseks krõnksujada.

Võib veel proovida trükkida postscriptina faili ja failist tekstiredaktoriga vaadata, kas seal on tekst või heksa-raster.