Home / LinuxUser / 2010 / 06 / Richtig digitalisieren

Newsletter abonnieren

Lies uns auf...

Folge LinuxCommunity auf Twitter

Top-Beiträge

Eingedost
(161 Punkte bei 4 Stimmen)
Aufteiler
(161 Punkte bei 4 Stimmen)

Heftarchiv

LinuxUser Heftarchiv

EasyLinux Heftarchiv

Ubuntu User Heftarchiv

Ubuntu User Heftarchiv

Partner-Links:

Das B2B Portal www.Linx.de informiert über Produkte und Dienstleistungen.

AA_scanner_stocker_sxc_295524.jpg

© stocker, sxc.hu

Richtig digitalisieren

E-Books aus Buchscans als DjVu oder PDF mit OCR-Layer

30.04.2010 Einfach nur Bücher einscannen war gestern. Mit dem richtigen Werkzeugkasten erstellen Sie heute E-Books inklusive Volltextsuche und Inhaltsverzeichnis weitgehend automatisch.

Für Linux gibt es eine ganze Reihe von Werkzeugen zum Herstellen von hochwertigen E-Books aus Dokumenten- beziehungsweise Buch-Scans. Weit verbreitet ist es, unter Linux Dokumente mit Sane und seinen Frontends einzulesen. Dank ImageMagick bringen Sie die Ergebnisse dann komfortabel im Batch-Betrieb in Form. Der Prozessor Unpaper leistet beim automatischen Nachbearbeiten und Veredeln speziell von Buchscans gut Dienste.

Anschließend bietet es sich an, die Bilder in DjVu oder einer PDF-Datei zu verpacken und mit Bookmarks auszustatten. Das geht komfortabel auf der Kommandozeile. Als Sahnehäubchen statten Sie die digitalen Bücher bei Bedarf aber noch zusätzlich mit einem OCR-Layer aus: Das erlaubt es, den Text zu durchsuchen. Auch das funktioniert unter Linux auf hohem Niveau mit Open-Source-Werkzeugen ohne weiteres. Die freie Software dazu arbeitet mittlerweile so professionell, dass sie dem Vergleich mit kommerziellen Produkten durchaus standhält.

Werkzeuge

Die Scanner-Suite Sane [1] erfreut sich größter Beliebtheit und gehört zum festen Bestandteil der meisten Distributionen. Mit dem Frontend Xsane [2] fertigen Sie ohne weiteres einen Buchscan aus einer Reihe von Einzelscans an. Für ein optimales Ergebnis beim OCR empfiehlt es sich bei Textscans generell, mit der Auflösung nicht unter 300 dpi zu gehen.

Graustufen-Scans – etwa im Format PGM ("Portable Greymap") – wandeln Sie hinterher in Schwarzweiß (PBM, "Portable Bitmap") um. Das Programm nummeriert die Scans automatisch durch, scannt bei Bedarf Ausschnitte und speichert diese auf Wunsch um 90 Grad gedreht ab. Zum Drehen, Zurechtschneiden und Bearbeiten eignet sich aber auch ImageMagick [3]: Die Programmsammlung bringt eine Vielzahl von Tools mit (im folgenden Beispiel convert), die Sie ganz einfach in eine Shell-Schleife einbinden:

$ for i in *pgm; do convert $i -rotate 90 -verbose ${i%pgm}pbm; done

Mit diesem Einzeiler drehen Sie jede PGM-Datei im Arbeitsverzeichnis um 90 Grad und konvertiert sie zugleich ins PBM-Format. Den dicken schwarzen Streifen in der Mitte der Scans, der durch den Bund des Buches zustande kommt, reduzieren Sie, indem Sie mit dem Parameter -white-threshold beim Konvertieren einen geringeren Weißschwellenwert einstellen. Im der Praxis haben sich Werte im Bereich von 25 bis 35 Prozent bewährt.

Nach dem Konvertieren bietet es sich an, die Scans mit dem Grafikbetrachter durchzusehen. Dazu verwenden Sie zum Beispiel Geeqie [4]. Dieser erlaubt es, ebenso wie viele andere Bildbetrachter, über einen Rechtsklick oder Shortcut ein Bild in Gimp [5] zu laden. Dort lassen sich dann grobe Schmierereien, handschriftliche Notizen oder ähnliches manuell entfernen.

Unpaper

Mit Unpaper [6] von Jens Gulden steht ein raffiniertes Nachbearbeitungswerkzeug für Dokumentenscans bereit. Die derzeit aktuelle Version 0.3 finden Sie beispielsweise in Debian 5.0 "Lenny", Ubuntu 9.10 "Karmic Koala", OpenSuse 11.2 oder Fedora ab Version 10. Das Tool beseitigt Schmutz und Flecken, die von der Vorlage in den Scan gerieten, sowie schwarze Streifen. Es teilt Doppelseiten auf Wunsch in Einzelseiten auf und rotiert, entzerrt und zentriert Textblöcke. Damit ist Unpaper geradezu prädestiniert zum Bearbeiten von Scans, die von unansehnlichen, hektisch gemachten Fotokopien stammen (Abbildung 1).

Abbildung 1

Abbildung 1: Durch den Bund eines Buches sowie ungenaue Auflage auf den Scanner entstehen schwarze Ränder im Scan. Hier hilft das Tool Unpaper weiter.

Um für alle Fälle gewappnet zu sein, beeinflussen Sie bei Bedarf die Funktionen von Unpaper durch eine ganze Reihe von Optionen in allen Feinheiten. Meistens reichen die Standardeinstellungen aber für ein gutes Ergebnis (Abbildung 2). Als echtes Konsolen-Tool beherrscht Unpaper natürlich das reihenweise Bearbeiten von Dateien. Um die Ausgangsdateien nicht zu überschreiben, lenken Sie die Ausgabe am besten in ein anderes Arbeitsverzeichnis um:

$ unpaper --layout double --output-pages 2 %04d.pbm out/%04d.pbm
Abbildung 2

Abbildung 2: Schon die Standardeinstellungen von Unpaper reichen oft für ein akzeptables Ergebnis aus.

In diesem Beispiel handelt es sich bei der Eingabe um einen doppelseitigen Buchscan. Als Ausgabe erhalten Sie zwei einzelne Seiten. Mit dem Formatzeichen %04d erfassen Sie Dateien mit einem Namen, der aus vier Ziffern besteht (0001.pgm). Falls nicht vorhanden, gilt es, das Unterverzeichnis ./out natürlich vorher anzulegen. Verschluckt das Tool beim Verarbeiten Textteile, setzen Sie den Mask-Scan (-ms) probeweise auf einen höheren Wert, wie zum Beispiel 175,175.

Tip a friend    Druckansicht Bookmark and Share
Kommentare

5338 Hits
Wertung: 139 Punkte (3 Stimmen)

Schlecht Gut

Infos zur Publikation

Infos zur Publikation

LinuxUser 05/2014

Aktuelle Ausgabe kaufen:

Heft als PDF kaufen

LinuxUser erscheint monatlich und kostet in der Nomedia-Ausgabe EUR 5,95 und mit DVD EUR 8,50. Weitere Informationen zum Heft finden Sie auf der LinuxUser-Homepage.

Im LinuxUser-Probeabo erhalten Sie drei Ausgaben für 3 Euro. Das Jahresabo (ab EUR 60,60) können Sie im Medialinx-Shop bestellen.

Tipp der Woche

Bilder vergleichen mit diffimg
Bilder vergleichen mit diffimg
Tim Schürmann, 01.04.2014 12:40, 1 Kommentare

Das kleine Werkzeug diffimg kann zwei (scheinbar) identische Bilder miteinander vergleichen und die Unterschiede optisch hervorheben. Damit lassen sich nicht nur Rätsel a la „Orignial und Fäls...

Aktuelle Fragen

programm suche
Hans-Joachim Köpke, 13.04.2014 10:43, 8 Antworten
suche noch programme die zu windows gibt, die auch unter linux laufen bzw sich ähneln sozusagen a...
Funknetz (Web-Stick)
Hans-Joachim Köpke, 04.04.2014 07:31, 2 Antworten
Bei Windows7 brauche ich den Stick nur ins USB-Fach schieben dann erkennt Windows7 Automatisch, a...
Ubuntu 13.10 überschreibt immer Windows 8 Bootmanager
Thomas Weiss, 15.03.2014 19:20, 8 Antworten
Hallo Leute, ich hoffe das ich richtig bin. Ich habe einen Dell Insipron 660 Ich möchte gerne Ub...
USB-PTP-Class Kamera wird nicht erkannt (Windows-only)
Wimpy *, 14.03.2014 13:04, 15 Antworten
ich habe meiner Frau eine Digitalkamera, AGFA Optima 103, gekauft und wir sind sehr zufrieden dam...
Treiber
Michael Kristahn, 12.03.2014 08:28, 5 Antworten
Habe mir ein Scanner gebraucht gekauft von Canon CanoScan LiDE 70 kein Treiber wie bekomme ich de...