Configurar el motor de OCR
OpenKM puede trabajar con varios motores de OCR, como Tesseract.
Tesseract
Sección titulada «Tesseract»Tesseract es un motor de OCR de código abierto adoptado por Google. Es una opción eficaz para la mayoría de los casos de uso. El OCR puede leer de forma nativa documentos TIFF y tiene un alto índice de reconocimiento con imágenes de 300 ppp de resolución convertidas a lineart (color de 1 bit).
Los formatos de imagen compatibles son:
- TIFF
- PNG
- JPG
- GIF
Instalación
Sección titulada «Instalación»| SO | Descripción |
|---|---|
| Ubuntu and Debian | bash<br>$ apt-get install tesseract-ocr tesseract-ocr-eng<br>Según su configuración regional, quizá desee instalar otros archivos de idioma. Más información en: - https://github.com/tesseract-ocr - https://code.google.com/p/tesseract-ocr/ |
| Red Hat and CentOS | Más información en: - https://code.google.com/p/tesseract-ocr/wiki/Compiling - https://code.google.com/p/python-tesseract/wiki/HowToCompileForCentos - http://www.vicchiam.com/blog/?p=168 |
| Windows | Descargue desde https://code.google.com/p/tesseract-ocr/ y siga el asistente de instalación. |
Comprobar la instalación
Sección titulada «Comprobar la instalación»Desde la línea de comandos ejecute (donde “image.jpg” debe ser un archivo de imagen existente):
$ tesseract image.jpg textConfiguración
Sección titulada «Configuración»Vaya a Administration > Configuration parameters y edite el parámetro llamado system.ocr:
| SO | |
|---|---|
| Linux | /usr/bin/tesseract ${fileIn} ${fileOut} or /usr/bin/tesseract ${fileIn} ${fileOut} -l esp El parámetro -1 esp debe utilizarse para el soporte del idioma español al ejecutar el OCR. Para ver todas las opciones de tesseract, ejecute: bash<br>$ tesseract<br> |
| Windows | c:\Tesseract-ocr-3.0.2\tesseract.exe ${fileIn} ${fileOut} or c:\Tesseract-ocr-3.0.2\tesseract.exe ${fileIn} ${fileOut} -l spa El parámetro -1 esp debe utilizarse para el soporte del idioma español al ejecutar el OCR. Para ver todas las opciones de tesseract, ejecute: bash<br>c:\Tesseract-ocr-3.0.2> tesseract.exe<br> |
- El parámetro ${fileIn} se sustituirá internamente por el documento de imagen que se va a procesar.
- El parámetro ${fileOut} se sustituirá internamente por el archivo de texto temporal.
- Puede establecer otros parámetros adicionales, como por ejemplo el parámetro -l spa.
Información adicional
Sección titulada «Información adicional»- http://code.google.com/p/tesseract-ocr/
- Tesseract - Summary & first experiences.
- Tesseract OCR Google Groups
- First Interactions with Tesseract OCR on Ubuntu Linux
- http://code.google.com/p/tesseract-ocr/wiki/ReadMe
- http://code.google.com/p/tesseract-ocr/wiki/FAQ
Diccionario
Sección titulada «Diccionario»También puede utilizar un diccionario de OpenOffice.org para mejorar el proceso de OCR. Puede encontrar estos diccionarios específicos de cada idioma en el OpenOffice.org Dictionary Repository.
Configuración
Sección titulada «Configuración»Vaya a Administration > Configuration parameters y edite el parámetro llamado system.openoffice.dictionary:
| SO | |
|---|---|
| Linux | /home/openkm/dictionary/en-GB.zip |
| Windows | c:\tomcat-7.0.61\dictionary\en-GB.zip |
Configuración de rotación de OCR
Sección titulada «Configuración de rotación de OCR»Existe un parámetro de configuración que fuerza el ocr de documentos sobre documentos rotados.
Configuración
Sección titulada «Configuración»Vaya a Administration > Configuration parameters y edite el parámetro llamado system.ocr.rotate:
| Propiedad | Descripción |
|---|---|
| system.ocr.rotate | El parámetro es una colección de grados separados por el carácter “;” 0;90;180;270; |