OCR com JAVA

Olá carloshsamaral,

Não costumo utilizar o GUJ, mas por algum motivo caí de paraquedas nessa sua pergunta.

Eu estou trabalhando ultimamente num sistema de acervo multimídia, onde serão centrados diversos tipos de mídias, e implementamos a funcionalidade de pesquisar dentre os documentos utilizando o conteúdo do mesmo. Para que não só documentos já digitais fossem encontrados foi implementada uma solução OCR.

Nós estamos utilizando o Tesseract OCR pra executar tal tarefa, para a integração com Java utilizamos o Tess4J. Os resultados são bem satisfatórios, não é uma uma precisão de 100%, mas já é oferecido suporte para PT-BR e é de fácil utilização, uma pesquisa rápida e você encontra exemplos de utilização do Tesseract OCR e do Tess4J.

Quando falo que não é uma precisão 100%, quero dizer que dependendo da fonte, dependendo da qualidade da imagem (caso seja texto na imagem), ele pode não reconhecer alguns caracteres, ou reconhecer errado, trocando um E por um F ou algo assim, mas de um modo geral a precisão é bem alta, não sei informar exatamente de quanto.

Espero ter ajudado.

OBS: O sistema ainda não foi pra produção, então essa análise na precisão do OCR foi feita em cima de alguns testes internos.

Wener Castro:

Olá carloshsamaral,

Não costumo utilizar o GUJ, mas por algum motivo caí de paraquedas nessa sua pergunta.

Eu estou trabalhando ultimamente num sistema de acervo multimídia, onde serão centrados diversos tipos de mídias, e implementamos a funcionalidade de pesquisar dentre os documentos utilizando o conteúdo do mesmo. Para que não só documentos já digitais fossem encontrados foi implementada uma solução OCR.

Nós estamos utilizando o Tesseract OCR pra executar tal tarefa, para a integração com Java utilizamos o Tess4J. Os resultados são bem satisfatórios, não é uma uma precisão de 100%, mas já é oferecido suporte para PT-BR e é de fácil utilização, uma pesquisa rápida e você encontra exemplos de utilização do Tesseract OCR e do Tess4J.

Quando falo que não é uma precisão 100%, quero dizer que dependendo da fonte, dependendo da qualidade da imagem (caso seja texto na imagem), ele pode não reconhecer alguns caracteres, ou reconhecer errado, trocando um E por um F ou algo assim, mas de um modo geral a precisão é bem alta, não sei informar exatamente de quanto.

Espero ter ajudado.

OBS: O sistema ainda não foi pra produção, então essa análise na precisão do OCR foi feita em cima de alguns testes internos.

Muito obrigado Wener por ajudar desta forma. Eu já cheguei a pegar um conteúdo desse Tesseract OCR do devmedia. Só estou fazendo uma pesquisa pra obter o máximo de conteúdo e começar a ler de verdade. To lendo até trabalho de mestrado de 1991 falando sobre OCR e redes neurais.

@Edit

Mas as imagens que vocês utilizam são todas digitalizadas? Tem alguma que seria escrita a mão e foi digitalizada …?