Diskuzní fórum Elektro Bastlírny

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

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.

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.

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.

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.

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

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.

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.

hlasuji pro dodatečnou výrobu nových informací

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 ...

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

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.

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

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.

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.