Sháním, vyměním Amáro, PE a KTE

Zpráva

PvvS · #676 Příspěvek od **PvvS** » 21 srp 2010, 07:59

Tohle se da nekde sehnat primo na netu, nebo jsem to videl i jako aplikaci. Jak prijdu dom, tak se rozhlidnu po disku.

Jirka · #677 Příspěvek od **Jirka** » 21 srp 2010, 21:08

EKKAR píše:Můžu Ti to otevřít v Adobe a nadělat printscreeny z obrazovky.... Ale nezaručím, že o bude mít 300dpi.

Tak zkus udělat jednu stránku s obsahem a pošli ji. Uvidím, jestli to půjde. Ale obávám se, že je to hodně komprimovaný, takže to stejně OCR nerozluští.

#678 Příspěvek od **masar** » 21 srp 2010, 23:44

EKKAR píše:Můžu Ti to otevřít v Adobe a nadělat printscreeny z obrazovky.... Ale nezaručím, že o bude mít 300dpi.

To teda nevím, jak to může řešit problém. Zobrazením skenu na obrazovce se přece množství informace nezvýší. :wink:

PvvS · #679 Příspěvek od **PvvS** » 22 srp 2010, 08:01

http://www.arbase.cz/index.htm

#680 Příspěvek od **masar** » 22 srp 2010, 09:34

To Pvvs: Jirka chce něco jiného - převod originálních naskenovaných obsahů, tj. bitmapových souborů, do textových souborů pomocí OCR programu. K tomu potřebuje kvalitní sken (pro zlepšení rozpoznatelnosti znaků pro OCR) a dobrý OCR program, aby výsledek byl "k nerozeznání" od původního skenu a přitom to byl textový pdf soubor. :wink:

#681 Příspěvek od **Cust** » 22 srp 2010, 10:13

masar píše:
EKKAR píše:Můžu Ti to otevřít v Adobe a nadělat printscreeny z obrazovky.... Ale nezaručím, že o bude mít 300dpi.

To teda nevím, jak to může řešit problém. Zobrazením skenu na obrazovce se přece množství informace nezvýší.

Úplně v pohodě, stačí extrapolovat...
Pak ještě můžeš použít gassovské rozmazání a nakonec převod do B/W (1 bit na barvu) aby neměl OCR tak velké problémy. ;-)

#682 Příspěvek od **Cust** » 22 srp 2010, 10:39

Třeba takhle, ale je fakt, že původní JPG je tak mizerný, že s tím nic rozumného udělat nepůjde...

#683 Příspěvek od **masar** » 22 srp 2010, 11:39

Myslím, že ve výsledku těch informací je ještě méně. Tady se jedná spíše o princip, že "méně znamená více". Tedy jakousi filtraci "nežádoucích" informací z původního skenu, aby se to mohlo OCR předat na zlatém podnose. :wink:

p.s. Nebo je to spíše dodatečná výroba nových informací. Jeden původní pixel, který nese "spornou" informaci rozdělím na čtyři díly (zvětším rozlišení 2x) a pak s novými hraničními pixely provádím různé operace (ostření, zmenšení počtu barev atd.), jejichž výsledek je pro OCR lépe stravitelný. :wink:

#684 Příspěvek od **Cust** » 22 srp 2010, 17:35

hlasuji pro dodatečnou výrobu nových informací :-)

Jirka · #685 Příspěvek od **Jirka** » 22 srp 2010, 20:58

Přesně tak. Potřebuju z toho dostat text. Aby bylo po převodu nejméně chyb, tak musí být docela kvalitní, proto těch 300 DPI. Jinak to nejde ...

Crifodo · #686 Příspěvek od **Crifodo** » 22 srp 2010, 21:01

proč vůbec potřebuješ ty stránky v datové podobě a ne v bitmapě nebo dokonce na papíře? Budeš snad ty články editovat?

#687 Příspěvek od **masar** » 22 srp 2010, 21:27

Podle mně je to snaha vytvořit ze skenu dokonalé podklady takové, jaké jsou běžné u dnes tištěných AR. Navíc je tady větší možnost vyhledat libovolné slovo, což se od obsahů očekává nejvíce. :wink:

Jirka · #688 Příspěvek od **Jirka** » 22 srp 2010, 21:49

Kvůli vyhledávání. Asi každý tady máme starší AR v PDF, ale jak v nich něco konkrétního vyhledat?

Crifodo · #689 Příspěvek od **Crifodo** » 22 srp 2010, 21:59

Obsahy časopisů většinou jsou na webu v datové podobě. Celé články z doby elektronické sazby asi mají redakce v archivech a zřejmě by vyhledávání byly schopné nabídnout jako placenou službu. Informace z 20-30 let starých časopisů, které jsou ještě dneska užitečné, to je zajímavý úkaz.
Kvalitní sken a OCR s následnou korekcí bych si tipnul jako časově stejně náročný jako přepsání písařkou, navíc časopisecké články málokdy mají hladkou jednosloupcovou sazbu na stránce jako román. Spíš tři sloupce a složitou osnovu prokládanou schématy a tabulkama, grafy, rovnice s řeckou abecedou, přesahy přes víc stránek nebo i čísel na pokračování. Dost článků v AR mívalo šedý podtisk. To všechno by OCR dalo pěkně zabrat.

#690 Příspěvek od **masar** » 22 srp 2010, 22:23

Crifodo píše:...Informace z 20-30 let starých časopisů, které jsou ještě dneska užitečné, to je zajímavý úkaz...

Nevidím na tom nic "zajímavého" v tom pejorativním slova smyslu. Informace z těchto (i starších) časopisů, pokud jsou pravdivé, svou cenu neztrácejí, spíše naopak. :wink: