Open-Source-Texterkennung Tesseract

Open-Source-Texterkennung Tesseract

Max Jonas Werner
05.09.2006

Die OCR-Software (Optical Character Recognition) Tesseract erblickt erneut das Licht der Welt. Tesseract wurde ursprünglich von Hewlett Packard entwickelt und der Community bereits 2005 als Open Source zur Verfügung gestellt. Allerdings fristete die Software, die Text aus Bildern extrahiert, bislang ein Nischendasein. Erst der Suchmaschinenbetreiber Google nahm sich der Software an und entwickelte sie weiter.

Seit einigen Monaten gibt es ein Tesseract-Sourceforge-Projekt und eine Version 1.0. Erst jetzt kündigte Google die "Re-Release" der unter der Apache-Lizenz veröffentlichten Software offiziell an. Die Engine hat schon über 20 Jahre auf dem Buckel, sie wurde zwischen 1985 und 1995 von HP entwickelt und lag dann fast zehn Jahre lang auf Halde. Trotzdem bezeichnet Google Tesseract als die genaueste freie OCR-Software, die es gibt. Einige Einschränkungen müssen Benutzer allerdings hinnehmen:

  • Tesseract "versteht" nur Englisch.
  • Es gibt noch kein Seiten-Layout-Modul, Tesseract erkennt nur einspaltige Texte.
  • Es arbeitet nicht annähernd so genau wie die kommerzielle Konkurrenz.
  • Die Software hat noch Probleme mit Farb- und Graustufenbildern.
  • Es gibt nur eine Kommandozeilenoberfläche.

Das sieht noch nach viel Arbeit aus, die Google vor sich hat. Das scheint ein Grund zu sein, warum die Firma einen OCR-Entwickler sucht. Warum Google gerade an OCR-Software interessiert ist, liegt auf der Hand: Der Suchmaschinenspezialist arbeitet seit vielen Jahren daran, auch gedruckte Informationen digital zur Verfügung zu stellen. In der Buchsuche können Anwender schon jetzt eine Vielzahl an Büchern durchsuchen.

In einem ersten Test der Redaktion bestätigte Tesseract die oben beschriebenen Mängel, selbst das Auslesen von Text aus einem einfachen TIFF-Bild resultiere nur in einer leeren Textdatei. Es bleibt zu hoffen, dass Googles neuer Entwickler das Tool bald verbessert, damit es in Zukunft eine konkurrenzfähige Open-Source-OCR-Engine gibt.

Ähnliche Artikel

Kommentare
Neu - ABBYY Command Line OCR für Linux
OldSpeckledHen (unangemeldet), Samstag, 31. Oktober 2009 14:46:04
Ein/Ausklappen

Unter http://www.ocr4linux.com gibt es jetzt von ABBYY eine CLI OCR für Linux, die mehrspaltige Layouts als auch Dokumente in mehreren Sprachen erkennt. Da neben reinen TXT Formaten auch in RTF, HTML und durchsuchbaren PDFs exportiert werden kann, ist das endlich mal eine richtig gute Alternative für Linux, wenn man die gescannten Dokumente auch weiterverarbeiten oder archivieren will.
Ist zwar nicht OS, aber da es eine kostenlose Trial gibt, kann man zumindest vorher testen.



Bewertung: 174 Punkte bei 24 Stimmen.
Den Beitrag bewerten: Gut / Schlecht
Re: Open-Source-Texterkennung Tesseract
Peter Sütterlin, Freitag, 08. September 2006 17:12:38
Ein/Ausklappen

Hmm, also ich hab sie gestern mal einem Quick-Test unterzogen. Ging um eine Tabelle (8 Spalten, ca. 30 Zeilen). Ich hatte im Ergebnis 3 falsch (zusätzlich) erkannte Zeichen und einen übersehenen Dezimalpunkt. Dafür daß ich mir beim Scannen nicht sonderlich Mühe gegeben hatte find ich es doch ganz beachtlich....

Pit


Bewertung: 219 Punkte bei 51 Stimmen.
Den Beitrag bewerten: Gut / Schlecht

Aktuelle Fragen

Leap 42.1 und LibreOffice
Heinz Kolbe, 09.02.2016 21:54, 0 Antworten
Moin moin, auf meinem Notebook habe ich Leap 42.1 und Win 10 installiert. Alles läuft rund nur...
Tails Update
Val Lerie, 11.01.2016 10:51, 0 Antworten
Hallo zusammen, updaten > update Speichern unter > Persistent nicht möglich, mit der Meldung;...
Recoll
Jürgen Heck, 20.12.2015 18:13, 4 Antworten
Wie kann man mit Recoll nach bestimmten Zeichen/Satzzeichen bzw. Zeichenkombinationen suchen, z....
Wings Platinum 4 auf Linux?
Bodo Steguweit, 18.12.2015 11:37, 4 Antworten
Hallo in die Runde ich nutze für meine Diashows Wings Platinum 4 als Diareferent. Arbeite jetzt...
Bandbreite regulieren
Georg Armani, 25.11.2015 16:50, 1 Antworten
Hallo, ich bin ein Neuling in Sachen Linux und hoffe auf Hilfe. Ich habe zwei Windows Rechner...