OCR Feeder

...die wirklich simple Klickibunti-OS-Lösung für OCR fehlt ja leider immer noch. Heute bin ich aber über das Projekt OCR Feeder von Joaquim Rocha gestolpert, der in Python (als master-thesis) eine recht brauchbare GUI zusammengestöpselt hat. Die sehr beachtliche page segmentation steckt in dem Programm selbst drin (wenn ich den python-code richtig interpretiert habe), das OCR leistet eine externe Engine, also wahlweise ocrad, gocr oder - wär ja nicht ganz unnett - tesseract. OCRFeeder nimmt dann einfach deren output und kann dann daraus ein ODT erzeugen.
Man braucht also nur eine Engine, die ein Bild frisst und den erkannten Text dann nach stdout schreibt. Leider nimmt (das cli von) tesseract aber afaik nur TIFFs und besteht auch noch beharrlich darauf, sein Ergebnis in eine Textdatei zu schreiben.
Damit OCRFeeder trotzdem mit tesseract als Engine funktioniert, hab ich auf Basis des Scripts ocube^* mal einen kleinen Wrapper geschrieben, der nichts anderes macht als das Ursprungsbild mit imagemagick nach TIFF zu konvertieren, tesseract auf diesem Bild arbeiten zu lassen und dann die erzeugte Ausgabe nach stdout zu schreiben.
Wie man auf dem Bild sieht, klappt mit diesem Wrapper dann auch tessearact als Engine für OCRFeeder. Wie man aber leider auch sieht, erwartet OCRFeeder wohl normalen ascii-text, tesseract gibt aber natürlich utf-8 aus.
Ob an OCRFeeder noch weitergeschraubt wird (von wem auch immer) und dann die ein oder andere Verbesserung ansteht, bleibt abzuwarten.

(^* dürfte bald weg sein der Link, wenn geocities abgeklemmt wird)