extract_text

Questa repo contiene il codice per estrarre qualsiasi tipo di testo da una qualsiasi immagine tramite Tesserract, l'OCR Open Source di Google.

Installazione di Tesseract

Installare l'eseguibile Tesserac.

• Su MacOS
  brew install tesseract

• Su Windows10
  https://github.com/UB-Mannheim/tesseract/wiki

Setup ed esecuzione su Python

Su Python, installare il pacchetto pytesseract.

pip install pytesseract

Aprire lo script OCR_tesseract.py e sostituire i seguenti elementi:

1. ####path_to_image#### con il percorso dell' immagine della quale si vuole estrarre il testo.
2. ####path_to_text#### con il percorso dove si vuole salvare lo script che conterrà il testo estratto dall' immagine
   (es: C:\Documenti\test.txt)
3. ####path_to_tesseract#### il percorso all' eseguibile di Tesseract
   (es: /usr/local/Cellar/tesseract/4.1.1/bin/tesseract o 'C:\Program Files\Tesseract-OCR\tesseract.exe')

Eseguire il codice.

Use case

Nella cartella esempio ci sono 3 immagini con i rispettivi file testuali convertiti con lo script esempio_OCR.py. Le immagini supportate dal motore OCR sono tutte quelle in formato png/jpeg/jpg.

Idee di miglioramento

è possibile migliorare la conversione utilizzando dei metodi di pre-processing delle immagini, tramite i pacchetti PIL e cv2. Ad esempio:

• ridimensionare l'immagine in modo da aumentare la leggibilità
  im_resized = im.resize((1980, 1000), Image.ANTIALIAS)

• impostare un threshold ben calibrato (tendenzialmente infatti gli OCR lavorano meglio con immagini bianco e nero)
  ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)

Reference

https://github.com/tesseract-ocr/tesseract