Tesseract (Software)

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
Tesseract
TesseractLogo.png
Maintainer Ray Smith u.a.
Aktuelle Version 3.02
(28. Oktober 2012)
Betriebssystem Windows, Linux, Mac OS X, Cygwin
Programmier­sprache C++
Kategorie Texterkennung
Lizenz ASL (Freie Software)
Deutschsprachig ja
code.google.com/p/tesseract-ocr/
Tesseract 3.02 Installation und Verwendung in einer Linux-Konsole.

Tesseract ist eine freie Software zur Texterkennung. Es ist ein reines Zeichenerkennungsprogramm ohne die Verwendung statistischer Sprachmodelle sowie ohne grafische Benutzeroberfläche, das jedoch auf Zeichenebene sehr gute Ergebnisse bietet.

Es wird in der Programmiersprache C++ entwickelt.

Für eine Vielzahl von Sprachen sind bereits Texterkennungsdaten in Zusatzmodulen vorhanden.[1] Mit einem entsprechenden Modul ist teilweise auch die Erkennung deutscher Fraktur-Schrift möglich.[2][3]

Geschichte[Bearbeiten]

Ursprünglich wurde die Software zwischen 1985 und 1995 von Hewlett-Packard entwickelt. Aus einem Test der University of Nevada, Las Vegas (UNLV) ging sie 1995 als einer der drei präzisesten Testkandidaten hervor. Nach dem Ausstieg von HP aus dem OCR-Markt lag die Entwicklung weitgehend brach, bis der Code 2005 an das Information Science Research Institute der UNLV übergeben wurde. Hier wurde festgestellt, dass der ehemalige Entwickler Ray Smith mittlerweile bei Google arbeitete. Nach einer Nachfrage bei Google, ob Interesse an dem Code bestünde, nahm sich Google des Quelltextes an, brachte ihn auf einen aktuellen Stand und gab ihn noch im gleichen Jahr unter der Apache-Lizenz über SourceForge frei.

Dies bedeutete in der Welt der freien Software einen großen Qualitätssprung im Bereich der Texterkennung. Das Projekt migrierte von SourceForge auf Googles eigene Software-Entwickler-Plattform Google Code, wo es unter Betreuung von Google weiterentwickelt wird.

Seit 2006 wird das Programm als Grundlage von Google Bücher weiterentwickelt. Seit Version 3.0 vom September 2010 können Ergebnisse direkt in das hOCR-Format ausgegeben werden und es wurde ein neues Modul zur Analyse der Seitengestaltung eingeführt.

In der Version 3.02 vom 28. Oktober 2012 wurde u.a. die Erkennung arabischer und hebräischer Texte im bidirektionalen Modus eingeführt.

Anwendung[Bearbeiten]

Tesseract wird nach den unter Unix üblichen Konventionen auch unter Windows von der Kommandozeile aus gesteuert und hat folgendes Format:[4]

tesseract.exe imagename outputbase [-l lang] [configfile [[+|-]varfile]...

Tesseract liest das Bild im Tagged Image File Format (TIFF) ein und gibt den Text in die Ausgabedatei weiter. Da bislang keine Layoutkontrolle stattfindet – hierfür steht das laufende Projekt OCRopus – sind Textspalten auf einzelne Bilddateien zu verteilen. Das jüngere Forschungsprojekt Leptonica zielt ebenso auf Analyse der Seitengestaltung und weitere Bildformate.[5]

Eine automatisierte Verarbeitung lässt sich zum Beispiel mit ImageMagick verwirklichen.

Tesseract kann seit Version 3 unter Nutzung eines nicht dokumentierten Parameters die Scan-Ergebnisse im hOCR-Format speichern, wodurch die Seitengestaltung erhalten bleibt.[6]

Es existiert eine Reihe Software, die Tesseract als Backend einbindet. Tesseract kann als Zeichenerkennungsmodul in OCRopus verwendet werden, das zusätzlich noch Analyse der Dokumentgliederung und statistische Sprachmodelle bietet.[7] Allerdings benutzt OCRopus seit Version 0.4 standardmäßig ein eigenes Zeichenerkennungsmodul basierend auf neuronalen Netzen[8]. In früheren Versionen wurde Tesseract als Standardmodul in OCRopus verwendet. Neben weiteren möglichen Backends kann es in der Desktop-OCR-Lösung OCRFeeder zur Zeichenerkennung genutzt werden. Mittels hocr2pdf dient es zum Beispiel in dem Linux-basierten Dokumentenmanagement-System Archivista der Erzeugung einer Text-Schicht zu rastergraphischen Abbildern eingescannter Papierdokumente, um diese maschinell durchsuchbar zu machen.

Verfügbarkeit[Bearbeiten]

Tesseract wird als freie Software auch im Quelltext unter den Bedingungen von Version 2.0 der Apache-Lizenz (Apache Software License, ASL) verbreitet. In praktisch allen gängigen Linux-Distributionen kann es direkt aus den Standard-Paketquellen installiert werden.[2][9][10][11][12][13]

Tesseract dient u.a. bei folgenden Programmen als Basis der Texterkennung:

  • ecoDMS für alle Plattformen liegt als Version 12.0.5 (2014) vor.[14]
  • OfficeManager pro für Windows liegt als Version 2013 vor.[15]
  • FreeOCR für Windows liegt als Version 4.2.2 (Oktober 2013) vor.[15]
  • TesseractOCR Mac macht es auch für Mac OS X verfügbar.[16]
  • YAGF ist eines von mehreren Frontends, die unter Linux verwendet werden können.[17]
  • PDFScanner ist ein Programm zum Scannen von Dokumenten auf Macs.[18]

Siehe auch[Bearbeiten]

Weblinks[Bearbeiten]

 Commons: Tesseract (software) – Sammlung von Bildern, Videos und Audiodateien

Einzelnachweise[Bearbeiten]

  1. http://code.google.com/p/tesseract-ocr/
  2. a b  Erik Bärwaldt: Buchstabensalat. Texterkennung mit Tesseract. In: LinuxUser. Nr. 5, Linux New Media AG, 8. April 2011.
  3. http://code.google.com/p/tesseract-ocr/downloads/detail?name=tesseract-2.01.deu-f.tar.gz&can=2&q=
  4. http://code.google.com/p/tesseract-ocr/wiki/ReadMe
  5. http://www.leptonica.com/recent-pubs.html
  6. Adnan Vatandas: Tesseract 3 und hOCR. Oktober 2010. Abgerufen am 28. Oktober 2010.
  7. http://code.google.com/p/ocropus/
  8. OCRopus doesn't even link with Tesseract by default
  9. http://packages.debian.org/de/sid/tesseract-ocr
  10. http://packages.ubuntu.com/search?tesseract-ocr
  11. https://admin.fedoraproject.org/pkgdb/acls/name/tesseract
  12. http://software.opensuse.org/search?q=tesseract
  13. http://doc4.mandriva.org/xwiki/bin/view/upmi/component/tesseract
  14. https://ecodms.de/jdownloads/Presseartikel/ct.0614.134-141.pdf
  15. a b http://www.paperfile.net/
  16. http://www.malcolmhardie.com/ocr/index.html
  17. http://symmetrica.net/cuneiform-linux/yagf-en.html
  18. http://www.pdfscannerapp.com