Tesseract (Software)

Tesseract
Maintainer	Ray Smith u.a.
Aktuelle Version	3.00.1 (5. Nov. 2010)
Betriebssystem	Windows, Linux, Mac OS X
Programmier­sprache	C++
Kategorie	Texterkennung
Lizenz	ASL (Freie Software)
Deutschsprachig	ja
tesseract-ocr.googlecode.com

Tesseract ist ein freies Texterkennungsprogramm. Es ist ein reines Zeichenerkennungsprogramm ohne Analyse von Seitengestaltung oder die Verwendung statistischer Sprachmodelle sowie ohne grafische Benutzeroberfläche, das jedoch auf Zeichenebene sehr gute Ergebnisse bietet.

Es wird in der Programmiersprache C++ entwickelt.

Für die Sprachen Englisch, Französisch, Italienisch, Deutsch, Spanisch und Niederländisch sind bereits Texterkennungsdaten in Zusatzmodulen vorhanden.^[1] Mit einem entsprechenden Modul ist teilweise auch die Erkennung deutscher Fraktur-Schrift möglich.^[2][3]

Geschichte

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 Books weiterentwickelt. Version 3.0 vom September 2010 kann direkt in das hOCR-Format ausgeben und führt ein neues Modul zur Analyse der Seitengestaltung ein.

Anwendung

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 dient als Zeichenerkennungsmodul in OCRopus, das zusätzlich noch Analyse der Dokumentgliederung und statistische Sprachmodelle bietet.^[7] 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 Document Management System Archivista der Erzeugung einer Text-Schicht zu rastergraphischen Abbildern eingescannter Papierdokumente, um diese maschinell durchsuchbar zu machen.

Verfügbarkeit

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][8][9][10][11][12]}

FreeOCR für Windows liegt als Version 3.0 vor.^[13][14]

TesseractOCR Mac macht es auch für Mac OS X verfügbar.^[15]

OCRextrACT stellt Tesseract 3.0 als Onlineservice zur Verfügung.^[16] Verarbeitet werden PDF, TIF, PNG, JPEG, BMP, PBM/PGM/PPM.

Weblinks

• Projektübersicht zu Tesseract bei Google Code (englisch)
• Kurzanleitung zur Texterkennung mit Tesseract

Einzelnachweise

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 (Oktober 2010): Tesseract 3 und hOCR. Abgerufen am 28. Oktober 2010.
7. ↑ http://code.google.com/p/ocropus/
8. ↑ http://packages.debian.org/de/sid/tesseract-ocr
9. ↑ http://packages.ubuntu.com/search?tesseract-ocr
10. ↑ https://admin.fedoraproject.org/pkgdb/acls/name/tesseract
11. ↑ http://software.opensuse.org/search?q=tesseract
12. ↑ http://doc4.mandriva.org/xwiki/bin/view/upmi/component/tesseract
13. ↑ http://www.brothersoft.com/freeocr-59672.html
14. ↑ http://www.freeocr.net/
15. ↑ http://www.malcolmhardie.com/ocr/index.html
16. ↑ http://www.ocr-extract.com/