Как надёжно распознавать старинные тексты под линуксом из командной строки?

Question

[0xC0CAC01A]

Как например, сѣй тѣкстъ. Там, кстати, присутвует слой распознонного текста, но вы можете видеть, насколько это распознавание безобразно, а ведь нужен поиск по фамилиям.

Comments

[nirvimel]

Готовое решение вряд ли существует. Скорее всего придется самому писать (заказывать) распознавание символов из графического нераспознанного слоя.

Answer 1

[Андрей Ермаченок]

Дело было давно - нужно было распознать белорусские тексты (в кирилических текстах символы i, ў), а ФайнРидер этого тогда еще не умел, но в нем есть обучение. Провел обучение на 2-х страницах, остальное он распознал сам без проблем.
Так что как-то так: берете ФайнРидер или другую распознавалку, которая есть для Линукса, обучаете вручную, а потом из командной строки натравливаете обученную распознавалку на сканы.

Comments

[0xC0CAC01A]

А есть ссылка про то как "обучать"?

[Андрей Ермаченок]

"Если в исходном документе есть декоративные (нестандартные) шрифты
Если в вашем документе используются декоративные шрифты или встречаются специальные символы (например, отдельные математические символы), для улучшения качества распознавания рекомендуется использовать режим Распознавание с обучением.

В результате обучения создается эталон букв, встречающихся в тексте. Этот эталон в дальнейшем используется при распознавании основного объема текста.

Подробнее о работе с эталонами см. в разделе «Распознавание с обучением»."

Всё в Справке ФайнРидера расписано. В Инете не искал.

Сервис - Опции - Распознать

[Oleg Shevelev]

Как вам работа файнридера под linux? Использую OCR Tesseract как простой вариант подключения к своему софту. Для распознования часто приходится ресайзить изображение в больший и меньший размер что бы получить что-то полезное. Зато удобно и просто. С обучением под консоль пока не заморачивался, но в планах есть.

[Дмитрий Вылегжанин]

Вроде cuneiform еще есть, не гарантирую что подойдет
habrahabr.ru/post/95479