Tengo varios miles de páginas de libros escaneados. Cada página se guarda individualmente como un JPG. La escritura es clara, pero las fuentes varían, y las páginas incluyen imágenes e ilustraciones.

Necesito crear una lista de todas las palabras que aparecen en cada archivo JPG. ¿Existe una herramienta de línea de comando para escanear una imagen que enumere las palabras que aparecen? No necesita tener un escaneo perfecto, solo una estimación.

tesseract es probablemente la solución más utilizada aquí. Está disponible en la mayoría de los repositorios de paquetes, por ejemplo,

sudo apt install tesseract-ocr

y se puede usar con

tesseract input.png out.txt

Instalar imagemagick, pdftotext(que se encuentra en un paquete llamado poppler-utilsdentro de algunos gestores de paquetes) y ocrmypdf . Este último es un software de OCR de código abierto y actualizado con frecuencia (ocr toma mucha CPU y está configurado para usar todos sus núcleos). Este enfoque es posiblemente excesivo, ya que en realidad trata de asignar una cadena a cada palabra en lugar de simplemente etiquetar una palabra, pero he tenido muchos problemas para encontrar un software OCR de código abierto bueno y fácil de usar en general. Luego, en el directorio donde ha guardado todos sus JPG:

$ convert *.jpg pictures.pdf
$ ocrmypdf pictures.pdf scanned.pdf
$ pdftotext scanned.pdf scanned.txt
$ wc -w scanned.txt

Upscale image file.png en un 480%, cambie a escala de grises, rellene con blanco, agudice y luego extraiga utilizando tesseract OCR. Funciona bien la mayor parte del tiempo para mí, excepto las fuentes muy grandes y el blanco sobre negro. Si las fuentes son muy grandes, solo aumenta el 200% o 300%

 convert -colorspace gray -fill white  -resize 480%  -sharpen 0x1  file.png file.jpg
 tesseract file.jpg file

El resultado está en file.txt.

Para los usuarios de Linux, nada funciona tan bien como usar Calibre para convertir pdf a docx. https://calibre-ebook.com/download_linux

TL; DR

for i in /path_to/*.jpg;do ./myocr.sh $i $(basename $i .jpg);done

#!/bin/bash
# PROGRAM=myocr.sh
if [ "$1" ] && [ -e "$1" ]; then
  TMPF=$(mktemp myocr.sh.XXXXXXXX.tif)
  DEST="$2"
  if [ ! "$DEST" ]; then
    DEST="${1%.*}.txt"
    if [ -e "$DEST" ]; then
      echo "$DEST already exists; please provide a new textfile name" >&2
      exit 1
    fi
  fi
  /usr/bin/convert "$1" -colorspace Gray -depth 8 -resample 200x200 -flatten -alpha Off $TMPF \
  && /usr/bin/tesseract $TMPF "$DEST"
  EX=$?
  /bin/rm -f $TMPF
  [ $EX -eq 0 ] && [ "$TERM" ] && echo "created $DEST"
  exit $EX
else
  echo "Usage: $0 imagefile [textfile]" >&2
  echo " creates a plain text file with the text found in imagefile" >&2
  exit 1
fi

Fuente: https://help.ubuntu.com/community/OCR