Tesseract es un motor de reconocimiento óptico de caracteres para varios sistemas operativos. [5] Es software libre , publicado bajo la Licencia Apache . [1] [6] [7] Desarrollado originalmente por Hewlett-Packard como software propietario en la década de 1980, se lanzó como código abierto en 2005 y el desarrollo fue patrocinado por Google en 2006. [8]
En 2006, Tesseract fue considerado uno de los motores OCR de código abierto más precisos disponibles. [7] [9]
El motor Tesseract se desarrolló originalmente como software propietario en los laboratorios de Hewlett-Packard en Bristol, Inglaterra y Greeley, Colorado, entre 1985 y 1994, con más cambios realizados en 1996 para migrar a Windows y cierta migración de C a C++ en 1998. Mucho Parte del código se escribió en C y luego algo más se escribió en C++. Desde entonces, todo el código se ha convertido para al menos compilarlo con un compilador de C++. [ cita necesaria ] Se realizó muy poco trabajo en la década siguiente. Luego fue lanzado como código abierto en 2005 por Hewlett-Packard y la Universidad de Nevada, Las Vegas (UNLV). El desarrollo de Tesseract fue patrocinado por Google en 2006. [8]
La versión 4 agrega un motor de OCR basado en LSTM y modelos para muchos idiomas y secuencias de comandos adicionales, lo que eleva el total a 116 idiomas. [10] Además, se admiten 37 scripts . Así, por ejemplo, es posible reconocer un texto con una combinación de idiomas de Europa occidental y central utilizando el modelo de escritura latina en la que está escrito. [ cita necesaria ]
La versión 5 se lanzó en 2021, después de más de dos años de pruebas y desarrollo. [11]
Tesseract estaba entre los tres principales motores de OCR en términos de precisión de caracteres en 1995. [12] Está disponible para Linux , Windows y Mac OS X. [6] [7]
Tesseract hasta la versión 2 inclusive solo podía aceptar imágenes TIFF de texto simple de una columna como entradas. Estas primeras versiones no incluían análisis de diseño, por lo que ingresar texto, imágenes o ecuaciones de varias columnas producía resultados confusos. Desde la versión 3.00, Tesseract admite formato de texto de salida, información posicional hOCR [13] y análisis de diseño de página. Se agregó soporte para varios formatos de imagen nuevos utilizando la biblioteca Leptonica. Tesseract puede detectar si el texto es monoespaciado o proporcionalmente. [7]
Las versiones iniciales de Tesseract sólo podían reconocer texto en inglés.
Tesseract v2 agregó seis idiomas occidentales adicionales (francés, italiano, alemán, español, portugués brasileño y holandés).
La versión 3 amplió significativamente el soporte de idiomas para incluir idiomas ideográficos (chino y japonés) y de derecha a izquierda (por ejemplo, árabe, hebreo), así como muchas más escrituras. Los nuevos idiomas incluyeron árabe, búlgaro, catalán, chino (simplificado y tradicional), croata, checo, danés, alemán ( escritura Fraktur ), griego, finlandés, hebreo, hindi, húngaro, indonesio, japonés, coreano, letón, lituano, noruego, Polaco, portugués, rumano, ruso, serbio, eslovaco (escritura estándar y Fraktur), esloveno, sueco, tagalo, tamil, tailandés, turco, ucraniano y vietnamita.
V3.04, lanzado en julio de 2015, agregó 39 combinaciones adicionales de idioma/escritura, lo que eleva el recuento total de idiomas compatibles a más de 100. Los nuevos códigos de idioma incluyen: amh (amárico), asm (asamés), aze_cyrl (azerbaiyano en escritura cirílica). ), bod (tibetano), bos (bosnio), ceb (cebuano), cym (galés), dzo (dzongkha), fas (persa), gle (irlandés), guj (gujarati), hat (haitiano y criollo haitiano), iku (inuktitut), jav (javanés), kat (georgiano), kat_old (georgiano antiguo), kaz (kazajo), khm (jemer central), kir (kirguís), kur (kurdo), lao (laos), lat (latín). ), mar (marathi), mya (birmano), nep (nepalí), ori (oriya), pan (punjabi), pus (pashto), san (sánscrito), sin (cingalés), srp_latn (serbio en escritura latina), syr (siríaco), tgk (tayiko), tir (tigrinya), uig (uigur), urd (urdu), uzb (uzbeko), uzb_cyrl (uzbeko en escritura cirílica), yid (yiddish). [14]
Además, Tesseract puede capacitarse para trabajar en otros idiomas. [7]
Tesseract puede procesar bastante bien texto de derecha a izquierda, como el árabe o el hebreo, muchas escrituras índicas y CJK . Las tasas de precisión se muestran en esta presentación del tutorial de Tesseract en DAS 2016, Santorini, realizada por Ray Smith. [15]
Tesseract es adecuado para su uso como backend y puede usarse para tareas de OCR más complicadas, incluido el análisis de diseño, mediante el uso de una interfaz como OCRopus . [dieciséis]
La salida de Tesseract tendrá muy mala calidad si las imágenes de entrada no se preprocesan para adaptarse a ella: las imágenes (especialmente las capturas de pantalla ) deben ampliarse de modo que la altura x del texto sea de al menos 20 píxeles, [17] se debe corregir cualquier rotación o inclinación. o no se reconocerá ningún texto, los cambios de brillo de baja frecuencia deben filtrarse con un filtro de paso alto , o la etapa de binarización de Tesseract destruirá gran parte de la página, y los bordes oscuros deben eliminarse manualmente o se malinterpretarán como caracteres. [18]
Tesseract se ejecuta desde la interfaz de línea de comandos . [19] Si bien Tesseract no se suministra con una GUI, hay muchos proyectos separados que le proporcionan una GUI. [20] Un ejemplo común es OCRFeeder . [21]
En un artículo de julio de 2007 sobre Tesseract, Anthony Kay de Linux Journal lo denominó "una peculiar herramienta de línea de comandos que hace un trabajo excepcional". En ese momento señaló que "Tesseract es un motor de OCR básico. El proceso de construcción es un poco peculiar y el motor necesita algunas características adicionales (como la detección de diseño), pero la característica principal, el reconocimiento de texto, es drásticamente mejor que cualquier otra cosa". Además, lo he probado en la comunidad de código abierto. Es razonablemente fácil obtener excelentes índices de reconocimiento utilizando nada más que un escáner y algunas herramientas de imagen, como The GIMP y Netpbm . [5]
En noviembre de 2020, Brewster Kahle de Internet Archive elogió a Tesseract diciendo:
Tesseract ha dado un gran paso adelante en los últimos años. La última vez que evaluamos la precisión, no era tan buena como la del OCR propietario, pero eso ha cambiado: hemos realizado evaluaciones y es igual de buena y puede mejorar para nuestra aplicación gracias a su nueva arquitectura. [22]