OCR-scanning af gotiske bogstaver

[Morten Jødal]

Jeg har en ret stor ældre tekst (udsnit af en bog), som jeg gerne ville have OCR-scannet.
Desværre er bogen så gammel, at den er trykt med fraktur (gotiske bogstaver).
Jeg har gjort et umiddelbart forsøg med min HP F2100 multiprinter, og det blev selvfølgelig langtfra brugbart. Lidt over halvdelen af bogstaverne blev genkendt korrekt, nogle blev konsekvent misforstået (v blev til b, s blev til f), og resten kunne slet ikke læses.

Dette - ikke uventede - resultat afføder flere spørgsmål:

1. Hvordan bærer OCR-programmet sig ad med at finde den rette font? Ligger det i selve programmet, eller har det på en eller anden måde adgang til de installerede fonte i min computer?

2. Hvis det sidste er tilfældet, kan man da finde en brugbar frakturfont på nettet? Jeg har to: Old English MT og Old Christmas - men ingen af dem er "rigtig" fraktur, bl. a. bruger de begge det "normale" s, ikke det "f uden tværstreg", som den originale fraktur anvender undtagen ved dobbelt-s, hvor så nr. 2 bliver "normalt".

Det skal lige siges, at jeg anvender den software, der blev leveret med printeren/scanneren. Men jeg har også mulighed for at komme til en dedikeret scanner, der nok vil kunne fungere med et fremmed OCR-program - hvis dette så er mere fleksibelt.

Dette leder mig til spørgsmål
3: Findes der OCR-programmer, der enten kan anvende en fremmed skrifttype, eller som man kan lære tegngenkendelse?
Det OCR-program, jeg bruger til den dedikerede scanner, kan også læse og fortolke visse typer billedfiler, bl.a. TIFF - et tredjepartsprogram, der kan dette, kan naturligvis også bruges, hvis de øvrige krav er opfyldt.

Jeg skal tilføje, at mit behov er meget sporadisk - så det kan let ende med, at jeg simpelthen tyr til en afskrift i stedet, selv om det er mange sider. Og jeg vil på ingen måde betale mange penge for et professionelt program.
Jeg tænker i freeware/shareware.

[Morten Jødal]

Det lader ikke til at nogen i dette forum har dybdekendskab til OCR-teknologi.

Jeg har nu selv prøvet med min anden scanner og dens medleverede OCR-program ABBYY Fine Reader. Resultatet var bedre, men på ingen måde godt. Specielt de store bogstaver genkendes dårligt, og da jo navneord blev skrevet med stort dengang, var der mange af dem!
Alt i alt er det ikke godt nok til at være nogen reel hjælp. "Det høje s" bliver naturligvis også til f.

Så jeg prøver et nyt spørgsmål:
Har nogen af jer kendskab til et mere nørdet softwareforum, hvor der er mulighed for at få svar på spørgsmål, der går bag programmet?

[efry]

Jeg har for mange år siden arbejdet lidt med OCR. Her opdelte vi hvert tegn i relativt få felter, hvor vi i hvert felt angav såkaldte kontrastgrænser, dvs om man gik fra sort til hvid eller hvid til sort i feltet og ligeledes retningen af grænsen, defineret som lodret, vandret eller skrå (højre og venstre). F. eks blev et 1-tal og et 7-tal adskildt fra hinanden ved at 7-tallet havde vandrette kontrastgrænser for oven og flere skrå end lodrette kontrastgrænser til højre, hvorimod 1-tallet havde lodrette kontrastgrænser til højre og ingen eller højst en enkelt vandret kontrastgrænse for oven. Det kom aldrig til at fungere perfekt, især fordi farvebåndet i skrivemaskiner, der anvendtes den gang, ofte var meget slidt og typearmene kunne være ret beskidte. Dette gav anledning til en del støj, men trods dette kom vi da op på ganske acceptable genkendelsesrater for især tal.

Jeg ved ikke hvordan de nuværende OCR-programmer virker, men jeg tvivler på, at de foretager genkendelsen udelukkende ved at sammenligne bitmønsteret af det læste bogstav med det idelle bitmønster for de kendte bogstaver. Der må være andre teknikker, der anvendes. Genkendelsen kan jo ikke foretages på basis af de fonte, der tilfældigt er installeret på computeren, da det skannede dokument næppe er udskrevet med computeren, for var det tilfældet, ville det ikke være nødvendigt med OCR.

Min ganske vist sparsomme erfaring med OCR og skanner siger mig, at skannerens opløsning på standard 300 dpi giver mange fejllæste bogstaver, hvorimod 600 dpi eller 1200 dpi giver et væsentligt bedre resultat. Min erfaring gælder kun ved normale latinske bogstaver.

Mit OCR-program viser i redigeringsmode den skannede tekst ved siden af den genkendte tekst, og genkendelsen fejler næsten udelukkende der, hvor der er fejl i skanningen forårsaget af dårligt farvebånd eller urenheder på papiret. Det ser imidlertid ikke ud til at det afhænger af den anvendte font.

Du skal nok have fat i et OCR-program, som er designet til at genkende gotisk skrift, men så kommer vi nok over i noget professionelt software, som sikkert er ganske dyrt.

[Bent Andersen]

En søgning på "ocr fraktur" giver en henvisning til programmet "Tesseract". Måske det kan bruges?
http://de.wikipedia.org/wiki/Tesseract_%28Software%29

MvH,

Bent.

[Morten Jødal]

Tak til både efry og Bent for brugbare svar.
Jeg kan kun undre mig over, at jeg ikke selv havde fundet på at google OCR fraktur
Jeg har nu gjort det, og kan se at Tesseract 3 specifikt angives at kunne læse dansk fraktur.
Mange tak!
Også firmaet ABBYY, som har lavet mit ene OCR-program, har et specialudviklet produkt til fraktur, men jeg vil prøve Tesseract først, da det er freeware - det andet program kan man tilsyneladende få på prøve, men ellers koster det penge (jeg har ikke set på priser).

Efry, ved du hvordan OCR-programmer behandler tekst, hvor linierne ikke er scannet helt lige?
Begge mine programmer genkendte mange af tegnene (omend ikke mange nok), selv når bogen lå lidt skævt på scanneren.
Min dedikerede scanner går forøvrigt op til 3200 dpi i opløsning, og det kan godt vælges i OCR-programmet. Men det har jeg ikke eksperimenteret med.

[efry]

Nej, det ved jeg ikke meget om, men rent logisk må programmet starte med at finde de områder, hvor der findes tekst, og derefter identificere de enkelte tegn, dvs. at finde de enkelte linier og dernæst mellemrummet mellem de enkelte tegn. At identificer de enkelte linier må være ret simpelt selv om de ikke er vandrette. Lidt sværere må det være at identificere de enkelte tegn, da de ikke med moderne skrifttyper er adskilte med lodrette hvide linier. Med skrivemaskinskrift og sandsynligvis også med dine skrifter, der sikkert er sat med enkelte typer af bly, vil det være ret simpelt at identificere mellemrummene mellem de enkelte bogstaver også selv om disse mellemrum vil være en anelse skrå (jeg går ud fra, at der ikke er tale om noget, der nærmer sig 45 grader).

Nu har man så en repræsentation af hver enkelt tegn og skal herefter blot bestemme, hvilket tegn, det drejer sig om, og her vil en vinkeldrejning på nogle få grader ikke have nogen betydning. Tænk på, at også kursivskrift skal kunne genkendes.

Jeg har dog ingen som helst viden om de algoritmer, der anvendes ved konverteringen fra glyf til tegn, og jeg vil derfor ikke kloge mig på det område.

[John Larsson]

Jeg havde en gang et ret dyrt DOS-program, som kunne fortolke stort set hvad som helst bare selve trykket ikke varierede, altså at et "W" altid så ens ud! Man fortalte blot programmet hvad det enkelte bogstavsbillede forestillede og så fortolkede den videre indtil der kom et ukendt bogstavsbillede. Den klarede fint forskellige skriftstørrelser inden for visse grænser, men fx kursiv, fed og understreget måtte den have som regel have som særskilte fonts.

[Alex]

1) Programmet benytter de fonte du har på din PC. Men det er lidt afhængig af hvilken software du benytter.

2) Du kan helt sikkert finde en font på nettet, men du skal oftest betale for den. Der findes hjemmesider der hjælper dig med at finde den rigtige font, enten ved at du skal vedhæfte et billede med lidt tekst skrevet af fonten (f.eks en scanning af din bog), eller du skal afkrydse forskellige måder dine bogstaver er formet på.

3) De dyrere OCR programmer er meget gode til at genkende fonte og specifikke bogstaver. Første gang programmet støder på et ukendt tegn, angiver du så hvad tegn det er og (i den perfekte verden) genkender programmet så alle lignende symboler. Det kræver dog at dine scanninger er perfekte og f.eks ikke bøjede i bogens margen ind mod samlingen af siderne. En rimelig besværlig opgave! Især hvis du skal passe på bogen og ikke vil mase den for meget.
De dyre scannerprogrammer er desværre meget dyre!

Alternativt, kan du benytte Adobe Acrobats indbyggede OCR genkendelse, men den beholder de scannede sider som billeder og gemmer blot informationer om hvad der står i bogen, så teksten er søgbar.
Jeg vil dog tro du derefter kan eksportere teksten til Word, men jeg er ikke sikker på at formateringen af dokumentet følger med!

Omnipage Pro har rigtig mange år på bagen som OCR software.
http://shop.nuance.com/DRHM/store?Action=DisplayCategoryProductListPage&SiteID=nuanceeu&Locale=en_GB&categoryID=14130500

http://ocr-software-review.toptenreviews.com/