తెలుగు ఓసిరావే !
mv
ఓ మిత్రుడు అన్న మాట (రాసిన మాట) ఇది .
గూగులు & యాహూ తెలుగు గుంపులతో అనుబంధం ఉన్నవారికి
అడపా-తడపా తెలుగు ఓసిఆర్ గూర్చి సందేహం కనిపిస్తుంది . అయితే
చాలావరకు ఫలంగా లభిస్తే మనమూ పొందుదామనే ఆసక్తే ఎక్కువగా
కనిపించేది - స్వయంగా మనమూ ఓ ప్రయత్నం చేద్దామని
ఆలోచించినవారు తక్కువ .
తెలుగు ఓసిఆర్ గూర్చి కాస్త శ్రద్ధ పెట్టేవారికి కనిపించేవి రెండు
మార్గాలు .
మొదటిది దృష్టి - రెండవది టెస్సెరాక్ట్ . దృష్టి అనేది ప్రాధమికంగా C లో
ఉన్నా లైనెక్సు వేదికపై అభివృద్ధి చేయబడింది . దృష్టి ని ఫెడోరా లైనెక్సు
(రెడ్ హాట్) పై మాత్రమే ప్రయత్నించే వీలు ఉండటం వల్ల - ఉబుంటూ
పై ఎక్కువగా పనిచేసే తెలుగు నిపుణులు దాని జోలికే వెళ్లలేదు (?)
ఇక రెండోది టెస్సెరాక్ట్ . ఇది ఇంగ్లీషు మొదలైన లాటిను భాషలకే
ఉపయోగపడుతుందని అర్ధం చేసుకుని తెలుగు నిపుణులు దీని
గూర్చి అంతగా పట్టించుకోలేదు .
అయితే ఒక కన్నడ వ్యక్తి (వయోధికుడు) టెస్సెరాక్ట్ ని కన్నడ కి
అనుకూలంగా మలచాలని కొన్ని సంవత్సరాలుగా శ్రమిస్తున్నారు !
సాధనతో చక్కటి ఫలితాలనీ పొందుతున్నారు .
కన్నడ & తెలుగు లిపిలు దాదాపుగా ఒకేరకంగా ఉంటాయని
అందరికీ తెలిసినదే . మరి మనమూ తెలుగు టెస్సెరాక్ట్ ఓసిఆర్
కై ప్రయత్నం చేయవచ్చును కదా .
ఇదీ ఉపోద్ఘాతం . ఎవరైనా ఆసక్తిని చూపితే తెలుగు టెస్సెరాక్ట్
ఓసిఆర్ ని ఎలా రూపొందించుకోవాలి - అనే అసలు విషయాన్ని
చర్చించుకుని - ఒక ప్రణాళికని ఏర్పాటు చేసుకుని ప్రారంభిద్దాం .
* వెయ్యి అడుగుల ప్రయాణమైనా
మొదటి అడుగుతోనే ప్రారంభం అవుతుంది *
ధన్యవాదములు
- ఎమ్వీ
రాకేశ్వర రావు
ఎమ్వీ గారు,
శ్రీరంగ గారు సాధించిన OC Recogniztion యెక్క స్నాపుషాట్లు కూడా ఒకటి
రెండు పంపితే బాగుంటుంది.
అలానే tessaract ని ఎలా దింపుకొని ఎలా training ఇవ్వాలి అన్నది
క్లుప్తంగా చెప్పగలరు.
ఒక సారి టెస్సరెక్ట్ ని ప్రయత్నించి ఆ పై మున్ముందు ఏం చేయాలి అన్నది
కూడా చర్చించుకుందాం.
- రాకేశ్వర
Phani Pradeep
Thanks and Regards,
Phani Pradeep
http://pradeepblog.miriyala.in
svaram
టెస్సెరాక్ట్ కి సంబంధించిన ఏమిటి , ఎలా ... మొదలైన
వివరణలని సంబంధిత వికీ పేజీలలో చూడవచ్చును
http://code.google.com/p/tesseract-ocr/w/list
అలాగే ఇది కూడా చూడగలరు :
http://tesseract-ocr.repairfaq.org
2.
టెస్సెరాక్ట్ సోర్సుకోడులని , కంపైలేషనులని & డేటా ఫైళ్లు ఇక్కడ :
http://code.google.com/p/tesseract-ocr/downloads/list
3.
విండోస్ కమాండ్ లైన్ ప్రోగ్రామ్ :
http://tesseract-ocr.googlecode.com/files/tesseract-2.01.exe.tar.gz
యూనికోడు కేరెక్టరు ఎక్స్ట్రాక్టర్ పాచ్ :
http://tesseract-ocr.googlecode.com/files/tesseract-2.01.patch1.tar.gz
ఇంగ్లీషు డేటా రికగ్నిషను పాకేజి :
http://tesseract-ocr.googlecode.com/files/tesseract-2.00.eng.tar.gz
4.
basically tesseract is a command line program and
some persons have made a couple of windows GUIs .
one such useful GUI is : VietOCR (originally made
for Vietnamese & English . and later modified to
include any other language . { in general , VietOCR
includes recent version of tesseract ocr engine }
http://sourceforge.net/projects/vietocr
5.
tesseract సోర్సుకోడు ని పరిశీలనలో ఉంచుకుని , ముందుగా windows
లో నేరుగా ఉపయోగించగలిగే ప్రొగ్రాములని ప్రయత్నించడమే మంచిదని నా
అభిప్రాయం . తర్వాత అవసరాన్ని బట్టి సోర్సు మాడిఫికేషను కి
వెళ్లవచ్చును .
6.
తెలుగు రికగ్నిషను డేటా ఫైళ్లని రూపొందించడమే మొదట సాధించవలసిన
కష్టమైన పని :-) ఇందుకోసం మన భాషలో ఉన్న అన్ని రకాల అక్షరాల
సముదాయాలను ఒక Unicode text file లో టైపు చేసుకోవాల్సి
ఉంటుంది . ప్రతి అక్షర సముదాయాన్నీ ప్రాధాన్యత కల కొన్ని (min:6)
రకాల fonts తో టైపు చేయాల్సి ఉంటుంది . it is a huge &
most monotonous task which needs to be achieved .
if this task can be automated then that could be
a great help to proceed further . ఇందుకు సాంకేతిక
నైపుణ్యం కలవారు తగిన కోడ్ ని రూపొందించే వీలు ఉండవచ్చును .
అది ఎలా అనేది ఆలోచించాలి ...
________________________________________________
svaram
I missed adding this : టెస్సెరాక్ట్ కన్నడ టెస్ట్ ఇమేజీలు
(సైజు కుదించబడినవి) , ఔట్ పుట్ లని ఇక్కడ చూడగలరు :
http://tesseract-kannada-test.4shared.com