#ocr

Simple #ocr implementation on Android with #google’s ML Kit
▻https://hackernoon.com/simple-ocr-implementation-on-android-with-googles-ml-kit-ceb4cdd8d70c?so

https://cdn-images-1.medium.com/max/1024/1*ltutxuEU1QPT06HKCxj62Q.jpeg

New technologies are evolving rapidly. Some of the newest solutions are gaining popularity every day. Optical Character Recognition (OCR) is nothing new, but perfecting it with machine learning may shed a new light on OCR. It’s obviously a broad subject. Nevertheless, I’ll try to briefly introduce you to the machine learning within OCR implementation on Android. I’ll also present some of its functions, basing on an easily available software called Google Firebase ML Kit.What is OCR?Nowadays, almost everything is digital. Books, newspapers, articles — name it. So what can be done to make a written or printed text digitized or even translated? Optical Character Recognition (OCR) comes with the solution. It’s capable of finding the text on the images and making it digital.Whenever you need to (...)

#machine-learning #android-app-development

How to train a #keras model to recognize text with variable length
▻https://hackernoon.com/how-to-train-a-keras-model-to-recognize-text-with-variable-length-10f306

https://cdn-images-1.medium.com/max/1000/0*9lLsLKAvHFq0_bMP.png

I have played with the Keras official image_ocr.py example for a while and want to share my takeaways in this post.The official example only does the training for the model while missing the prediction part, and my final source code is available both on my GitHub as well as a runnable Google Colab notebook. More technical detail of #ocr(optical character recognization) including the model structure and CTC loss will also be explained briefly in the following sections.OCR task declarationThe input will be an image contains a single line of text, the text could be at any location in the image. And the task for the model is to output the actual text given this image.For example,OCR example input & outputThe official image_ocr.py example source code is quite long and may look daunting. It (...)

#deep-learning #machine-learning

Free Online #OCR - Convert JPEG, PNG, GIF, BMP, TIFF, PDF, DjVu to Text
▻http://www.newocr.com

Récupérer le texte d’une image en Javascript avec Tesseract.js (OCR)
▻https://blog.shevarezo.fr/post/2017/02/10/recuperer-texte-image-javascript-tesseractjs-ocr

« Pour récupérer le texte d’une image, on fait appel à un OCR. Tesseract.js est un portage de la librairie Tesseract qui va vous permettre d’effectuer une reconnaissance de texte directement depuis un navigateur ! »

#OCR_JavaScript_Web_text_image_clevermarks

Screenotate : Take screenshots you can search, with automatic OCR
▻https://screenotate.com

Screenotate is a screenshot-taking tool which works just like macOS’s screenshot tool – one keyboard shortcut and drag – and it uses OCR (Optical Character Recognition) to recognize text in your screenshots. It’s available for macOS and Windows.

#outil #screenshot et #OCR dans un produit pas très cher (17$) qui remplace les scrennshots-png du système - à tester

Dans le genre #google est toujours #penible et la #degooglisation c’est pas gagné : google écriture manuscrite c’est vraiment bluffant, et après avoir testé plus de dix applis de notes/reconnaissance de caractères toutes plus ou moins pourries, c’est franchement ce que j’ai trouvé de plus fonctionnel. #grr #gafa #ocr #handwriting

Paperwork - La gestion de documents rendue rapide et facile - OpenPaper
▻https://openpaper.work/fr/#/slide_ocr

Cliquez juste sur le bouton « Numériser »
Votre ordinateur scanne et lit vos documents (ROC)
Et vous permet de les retrouver rapidement

Et un un mot... WAOUW !

#Numérisation avec des fonctions de #calibrage #découpage, etc. mais #importation de #pdf « images » et puis aussi de l’#OCR avec marquage/#mots-clés et ça fonctionne bien ! (Moteur de recherche intégré)

En python 3 => disponible dans toutes le crèmeries ? #Linux/#Win en tous cas et #GPLv3

#reconnaissance_optique_de_caractères

L’Etat français est un dealer de shit #Ocrtis
▻https://gauchedecombat.net/2016/05/22/letat-francais-est-un-dealer-de-shit-ocrtis

Si ce qu’avance l’enquête de Libération est vrai, voilà qui est proprement hallucinant, c’est le cas de l’écrire : Voilà donc un ancien patron de l’Office central pour la répression du trafic illicite de stupéfiants (Ocrtis), François Thierry, « soupçonné d’avoir laissé entrer en France plusieurs dizaines de tonnes de cannabis au cours des dernières […]

►http://0.gravatar.com/avatar/9faa4d044bbecc32a5bef02aba121599?s=96&d=&r=G

http://gauchedecombat.files.wordpress.com/2016/05/capture55.png

OpenCV | Computer vision
▻http://opencv.org
▻https://www.youtube.com/watch?v=1I4gHpctXbU

voir aussi ▻http://tldvision.com

Aujourd’hui, (re-)découverte de quelques outils sympas pour traiter du texte :

#tika

TIKA est un logiciel libre écrit en Java, qui est capable de convertir à peu près n’importe quoi en HTML (ou texte). S’intègre facilement dans #DotSPIP.

L’installation avec brew (brew install tika) a l’avantage de fournir aussi un raccourci pour la ligne de commande :

tika -h file.pdf  # conversion html
tika -t file.pdf  # conversion texte

▻http://tika.apache.org

#tesseract

Un système libre d’#OCR, qui s’intègre facilement à tika.
brew install tesseract --all-languages

tesseract -l fra file.jpg tmp && cat tmp.txt  # OCR, fra = langue française
tika -t file.jpg   # via tika

▻https://code.google.com/p/tesseract-ocr

#alchemyAPI

Outil de #NLP (natural language processing), qui permet de faire, comme OpenCalais, de l’extraction de termes, lieux, de la détection de langue, etc. C’est un système propriétaire (IBM). L’API en PHP n’est pas difficile à utiliser. Il y a moyen d’avoir des clés gratuitement pour une utilisation réduite (1000 appels/j) si on s’engage à indiquer qu’on utilise ce système. Il existe un plugin pour Drupal (mais pas pour #SPIP).

▻https://github.com/AlchemyAPI
▻http://www.alchemyapi.com/products/demo/alchemylanguage

#sumy

création automatique de résumés de textes.
pip install sumy

Utilisation (avec l’algo edmundson) :

sumy edmundson --url=http://www.monde-diplomatique.fr/1996/02/BRIE/5224
tika -t http://www.obsarm.org/publications/damocles/versionpdf/Damocles%2085.pdf | sumy lsa --length=3

(le dernier exemple : je demande à tika de télécharger le PDF de la revue Damoclès et d’en extraire le contenu, puis je passe le résultat à sumy qui en extrait trois lignes pertinentes)
►https://github.com/miso-belica/sumy

Reverse #OCR - humans are no longer the only ones who try to find meaning everywhere, in everything and where perhaps none exists
▻http://reverseocr.tumblr.com

http://38.media.tumblr.com/d995a05e230ba492e3057b16bc2cfee6/tumblr_nejya4OIDy1tif66co1_250.png

Infectious Texts : Modeling Text Reuse in Nineteenth-Century Newspapers
▻http://viraltexts.org/infect-bighum-2013.pdf

Abstract

https://dl.dropbox.com/s/mg0b3uvhhve15w1/19century%20newspaper%20networks.png?dl=0

Texts propagate through many social networks and provide evidence for their structure. We present efficient algorithms for detecting clusters of reused passages embedded within longer documents in large collections. We apply these techniques to analyzing the culture of reprinting in the United States before the Civil War. Without substantial copyright enforcement, stories, poems, news, and anecdotes circulated freely among newspapers, magazines, and books. From a collection of OCR’d newspapers, we extract a new corpus of reprinted texts, explore the geographic spread and network connections of different publications, and analyze the time dynamics of different genres.

#journaux #histoire #information #copie #ocr #algorithme via @archiloque

Project Naptha - #OCR in the browser
►http://projectnaptha.com

Project Naptha automatically applies state-of-the-art computer vision algorithms on every image you see while browsing the web. The result is a seamless and intuitive experience, where you can highlight as well as copy and paste and even edit and translate the text formerly trapped within an image.

#chrome via @francoisbriatte

i2OCR - Free Online #ocr
▻http://www.i2ocr.com

un #outil d’OCR en ligne avec de bons résultats même sur des images colorées. (le captacha est pénible...)

#web-based #texte

Project MUSE - Illusionary Order: Online Databases, Optical Character Recognition, and Canadian History, 1997–2010
▻https://muse.jhu.edu/journals/canadian_historical_review/v094/94.4.milligan01.html

Les bases de données biaisent la recherche. La technologie commerciale de reconnaissance de caractères, initialement et principalement conçue pour numériser efficacement d’énormes quantités de documents d’entreprise ou juridiques à la mise en forme conventionnelle, s’applique désormais aux sources en histoire avec, sans surprise, des résultats qui laissent parfois à désirer. (...à les bases de données historiques en ligne ont profondément marqué l’historiographie canadienne. [Mais] les historiens doivent comprendre comment fonctionne la reconnaissance de caractères pour garantir la rigueur méthodologique de leurs travaux fondés sur ces sources.

https://muse.jhu.edu/images/journals/pdfpreviews/canadian_historical_review/v094/94.4.milligan01.gif

#paywall #histoire #bases_de_données #numérisation #OCR #biais

Simpler file #upload in #Google_Docs
▻http://googledocs.blogspot.com/2011/04/simpler-file-upload-in-google-docs.html

Donc si je résume tu peux uploader un fichier en drag’drop, ou même envoyer directement un #dossier de documents ; s’il y a des #images, tu peux demander à google de les passer à l’#OCR et de te rendre un document éditable ; idem pour les #PDF.

(Et côté #SPIP on sait désormais lire les documents dans ton google sous forme de boucles.)

J’ai toujours du mal à retrouver le caractère UTF-8 « ☑ » dont je me sers parfois dans mes gazouillis. Avec ce service en ligne de reconnaissance de caractères dessinés à la souris, cela devient tout de suite plus facile :

Shapecatcher.com : Unicode Character Recognition
►http://shapecatcher.com

#service_web #utf8 #reconnaissance_de_caractères #ocr #outil

Uploading and converting #PDF and #image files with #text to Google Docs
▻http://docs.google.com/support/bin/answer.py?hl=en&answer=176692

#Google_Documents permet la reconnaissance de caractères #OCR à partir d’images scannées

In Google Docs, we take your uploaded images or PDF files, scan the file, and use computer algorithms to convert the file into a Google document.

Testé avec une photo de page de magazine deux colonnes bien déformées : le résultat n’est pas mauvais. Le colonnage n’a pas posé de problème, et seules les parties de texte les plus déformées ont un taux d’erreur important.