Sigueme en Facebook Sigueme en Twitter Sigueme en Instagram Sigueme en Youtube
JC Mouse Bolivia
Index / Linux / Tesseract OCR: Reconocimiento de caracteres

Tesseract OCR: Reconocimiento de caracteres

Autor jc mouse lunes, agosto 19, 2019

OCR (Optical Character Recognition) en español, Reconociminto Optico de Caracteres, es el proceso por el cual  se extrae texto de imágenes. En este post veremos un ejemplo sencillo  de como instalar y utilizar una herramienta OCR de código abierto en el Sistema Operativo Linux Ubuntu.

Tesseract es uno de los motores OCR de código abierto más potentes disponibles en la actualidad. Es compatible con muchos lenguajes, más de 100 (incluido el español) ademas tiene un código establecido para que también se pueda entrenar fácilmente en otros idiomas.  El software se ejecuta a través de la línea de comando, es decir, no cuenta una GUI (Interfaz Gráfica de usuario), pero hay varios paquetes de software para Tesseract que proporcionar una interfaz GUI para este OCR.

INSTALACIÓN

Simplemente debemos ejecutar el siguiente comando:

$ sudo apt-get install tesseract-ocr

Para comprobar la correcta instalación, escribimos “tesseract -v” esto nos mostrara la versión del OCR junto con una lista de librerías de imagen con las que tesseract es compatible.

OCR en Ubuntu

INSTALACIÓN DE LENGUAJES

Tesseract por defecto utiliza el ingles y es el idioma que se instala cuando instalas la herramienta, para ver un listado de los idiomas disponibles, ejecuta el comando:

$ tesseract --list-langs

Para instalar un lenguaje determinado se usa “apt-get install tesseract-ocr-LANG” donde LANG son las iniciales del lenguaje que se desea instalar, es decir, para instalar español utilizamos:

$ sudo apt-get install tesseract-ocr-spa

para instalar todos los lenguajes utilizamos:

$ sudo apt-get install tesseract-ocr-all

RECONOCIMIENTO DE CARACTERES

Antes de usar imágenes que contengan texto con Tesseract, las mismas deben ser procesadas, es decir, las imágenes deben estar libres de ruido, sin bordes o gráficos las cuales puedan ser confundidos erróneamente como caracteres, el texto de la imagen no debe estar inclinado, a más inclinación más perdida de precisión, se recomienda también utilizar imágenes en escala de grises o blanco y negro para mejorar la precisión del OCR, para procesar imágenes, se utilizan otras herramientas aparte de Tesseract, por ejemplo Imagemagick, pero esto queda fuera de los objetivos de este post por lo que para la creación de imágenes que contengan texto, podemos usar algún software gráfico o alguna herramienta online como “https://text2image.com/en/“.

Pues bien, utilizando alguna de las herramientas arriba mencionadas, creamos una imagen con un poco de texto.

texto 2 image

Nos ubicamos en el directorio donde esta nuestra imagen y escribimos “tesseract NOMBRE_ARCHIVO OPCIONES”, es decir:

$ tesseract textojcmouse.png stdout

tesseract en linux

Si queremos guardar el resultado en un archivo de texto, utilizamos:

$ tesseract textojcmouse.png textosalida

Si nuestra imagen contiene números, añadimos la opción “digits“, es decir:

$ tesseract textocondigitos.png stdout digits

enjoy!

Tags

Si te ha gustado podrías compartirlo o dejar un comentario. ¡Muchas gracias!
Autor: JC Mouse

Yo soy yo :) JC Mouse, Soy orgullosamente boliviano soy fundador y CEO de la web jc-Mouse.net uno de las pocas web en emprendimiento y tecnología en Bolivia.

Toda la información que encuentres en este sitio es y sera completamente gratis siempre, puedes copiar, descargar y re-publicar si así lo deseas en otros blogs o sitios web, solo te pido a cambio que dejes una referencia a esta web. Esto nos ayuda a crecer y seguir aportando. Bye

Enjoy! :)

También Te Podría Interesar

Introducción a Spark Framework

Introducción a Spark Framework

Spark Framework es un conjunto de librerías para los lenguajes Java y Kotlin que nos sirve para el desarrollo rápido y s...

CODOTA: Programación Inteligente

CODOTA: Programación Inteligente

La Inteligencia Artificial (AI – Artificial Intelligence) estará presente en casi cada aspecto de nuestra vida en...

TextInput – Material Design

TextInput – Material Design

TextInput es una caja de texto que implementa el estilo de Material Design popular en dispositivos móviles, pero este sw...

CORBA en java .:. Ejemplo completo

CORBA en java .:. Ejemplo completo

Common Object Request Broker Architecture (CORBA) es un estándar que permite que diversos componentes de software escrit...

Proyecto de base de datos Firebird VB

Proyecto de base de datos Firebird VB

En este proyecto realizaremos una aplicación de base de datos Firebird con el lenguaje de programación de Visual Basic d...

Simulador de Urna Electrónica en java

Simulador de Urna Electrónica en java

Hola 🙂 en esta ocasión un amigo del Brasil nos envía un proyecto java de una Urna Electrónica o Voto Electronico, desarr...

Comparte lo que sabes

Categorias

Últimas entradas

Acierta los colores o Adivina los colores es un sencillo juego que consiste en que dado 6 colores “rojo”,...

“MyBatis es una herramienta de persistencia Java que se encarga de mapear sentencias SQL y procedimientos almacena...

MyBatis es un framework de persistencia Java que se encarga de mapear sentencias SQL y procedimientos almacenados a part...

Webcam Capture es un API  que permite usar una cámara web incorporada o externa directamente desde código Java utilizand...

Herramientas

Generador de Enlaces a Whatsapp