[OCR]Commandline tekst uit een plaatje halen

[van.der.schulting]

Probleem:
Uit een plaatje wil ik het telefoonnummer omzetten naar tekst. Het plaatje bevat alleen het telefoonnummer.
In Ruby wil ik met behulp van OCR het telefoonnummer uitlezen. Ik had gehoopt dat me dat lukte met alleen ImageMagick, maar dat gaat niet lukken vrees ik.

Al snel kwam ik hierop uit: Tesseract en ImageMasgick.
Als ik doe wat hiier staat krijg ik allerlei foutmeldingen: http://ubuntuforums.org/showthread.php?t=1370827

Een andere optie is gocr gebruiken, maar dat werkt niet helemaakl foutloos. gocr maakt af en toe een foutje en leest een teken verkeerd. Dat kan ik wel handmatig corrigeren, maar dat is niet zo netjes. Dus liever geen gocr.

Afijn, omdat Tesseract o.a. een Segmentation fault geeft, dan Tesser-act maar even zelf compileren aan de hand van deze handleiding: http://code.google.com/p/tesseract-ocr/wiki/ReadMe

code:

Ik volg de volgende stappen:
 1. wget http://tesseract-ocr.googlecode.com/files/tesseract-3.00.tar.gz
 2. tar xvfz tesseract-3.00.tar.gz
 3. cd tesseract-3.00
 4. ./configure
 5. make
 6. sudo make install
 7. sudo ldconfig
 8. wget http://tesseract-ocr.googlecode.com/files/eng.traineddata.gz
 9. gzip -d eng.traineddata.gz
 10. sudo mv eng.traineddata /usr/local/share/tessdata/
 11. sudo apt-get install libpng12-dev libjpeg62-dev libtiff4-dev libtiff4 zlib1g-dev liblept

Dan ben ik in ieder geval van de segmentation fault af, maar nu krijg ik deze meldingen:

code:

Warning - no liblept or libtiff - cannot read compressed tiff files

Huh?? Ik heb die libs toch gewoon geinstalleerd? (stap 11)

En ook krijg ik deze foutmelding:

code:

name_to_image_type:Error:Unrecognized image type:test.gif
IMAGE::read_header:Error:Can't read this image type:test.gif
Read of file test.gif failed.

Van deze foutmelding en een zoektocht via Google word ik niet veel wijzer.

Mijn vragen:
1. Kan iemand mij vertellen wat ik fout doe met Tesseract?
2. Weet iemand misschien een andere library voor OCR die goed werkt (behalve gocr)?
3. Zoals ik aangaf schrijf ik het uiteindelijk in Ruby, dus als iemand een oplossing weet waarbij ik alles meteen in Ruby kan coden zonder gebruik te maken van commandline tools, dan hoor ik dat ook graag.

[van.der.schulting]

OK, voor stap 5 ben ik het commando './runautoconf' vergeten...

Anyhow, nu werkt het in zoverre dat liblept begint te miepen dat 'ie de formaten niet snapt. Liblept erafgegooid en nu geeft 'libtiff' de volgende melding:

code:

Tesseract Open Source OCR Engine
test.tif: Not a TIFF or MDI file, bad magic number 18759 (0x4947).

Als ik in de file manager kijk geeft Ubuntu keurig aan dat het een TIFF-file is en ook krijg ik gewoon het plaatje te zien. Het probleem lijkt dus niet echt te liggen aan het plaatje, maar meer dat libtiff het niet begrijpt.

Voor imagemagick voer ik overigens het volgende commando uit: 'convert <sourcefile> test.tif'

Iewmand enig idee waar ik deze fout moet zoeken??

[sam.vimes]

Je moet de dev-versies van liblept en/of libtiff installeren. In Debian krijg ik de volgende mogelijkheden:

p   libleptonica-dev                - image processing library                  
v   libtiff-dev                     -                                           
p   libtiff4-dev                    - Tag Image File Format library (TIFF), deve

Daarna opnieuw configure draaien; als het goed is vindt hij de libs vanzelf, anders even uitzoeken met welke configure-optie ze kunnen worden opgepikt.

[van.der.schulting]

Helaas, het werkt niet

code:

jeroen@ubuntu:~/Documents$ tesseract test.tiff test.txt
Tesseract Open Source OCR Engine with LibTiff
Empty page

Krijg dus een lege pagina

Weet iemand toevallig hoe en of ik het met een JPG, GIF of PNG oid aan de praat krijg?