AStorm Devblog

Pour tester le tout, j'ai été sur wikipedia et j'ai fait une capture d'un morceau d'article pour voir comment tesseract s'en sort.

De base, en utilisant la dernière révision du svn (r703) avec le dictionnaire (eng.traineddata) anglais, voici le résultat obtenu:

L’Eurogroupe esl Ia réunlan mensuelle (e\ Infnrmelle) des mlnlslres des Finances des Elals 
membres de la zone euro, en vue d’y caordonner Ieur pollllque écnncmlque

Créé par Ie Oonsell européen en 1997, |’Euragraupe a de facto vldé de sa substance Ie Consell des 
mlnlstres des Finances européens qul se uem Ie Iendemaln de la réunlon de |’Eurogroupe, dont u enténne Ies déclsmns, 
Le présldenl esl e'|u pour un mandatde 2,5 ans (nouveamé apporlée par Ie tralté de Llsbanne)‘ Actuellemenl, Ie présldenl 
esl Jean—C|aude Juncker, Ie Premier mlnlslre et mlnlstre du Trésar Iuxembcurgeaws, dnyen du conseu européen au 1*’ Janv\er2D05

En 2003, |’Eurograupe a cannu de nouvelles modlficalmns, quand n s'est réunl Ie 12 nclabre, au nlveau des chefs d’E|a| 
et de gouvernemenl, el a accuellll pour une demI—heure Gordon Brown, anclen Premier mlnlslre du Royaumeunl, un pays ne 
falsanl pas parlle de la zone euro

Visiblement, ça trouve déjà pas mal de choses, mais le taux de réussite est assez faible, surtout pour des mots relativement communs tels que économique ou réunion... Donc théoriquement, le dictionnaire français devrait mieux s'en sortir.

L’Eurogroupe est la réunron mensuelle (et tnformelle) des mrnrstres des Ftnances des Èlals membres de ta zone euro, en 
vue d'y coordonner teur potrtrque economrque

Créé par te Oonsetl européen en 1997, |’Euragraupe a de recto vtdé de sa substance te consert des mrnrstres des Ftnances 
européens qut se trent te tendemarn de ta reunron de |’Eurogroupe, dont tl enténne tes déctstons, Le présrdent est étu pour un 
mandat de 2,5 ans (nouveauté apporlée par te trarte de Lrsponne)‘ Aotuettement, te présrdent est Jeawclaude Juneker, te Ptemter 
mrnrstre et mrnrstre du Tresor Iuxembcurgeats, doyen du Consetl européen au 1*’ Janvter2D05

En 2003, |’Euragraupe a connu de nouvettes modtficaltons, quand tl s'est réunr te t2 oclabre, au nrveau des cnets d’Èlal et de 
gouvernemenl, et a accuetllt pour une demrheure Gordon Brown, ancten Premter mrnrstre du Royaumeunr, un pays ne fatsanl pas 
partre de ta zone euro

Grossomodo, pas d'amélioration flagrante. J'ai cherché pendant un moment comment lui ajouter un dictionnaire spécifique, histoire qu'au moins il puisse récupérer les mots simples. J'avais finalement réussi à lui faire prendre en compte une liste de mot (fra.user-words) en allant modifier les sources, mais ça n'a rien changé:

// dans dict/dict.h - ligne 790
STRING_VAR_H(user_words_suffix, "user-words", "A list of user-provided words.");
 
// dans dict/dict.cpp - ligne 54
STRING_INIT_MEMBER(user_words_suffix, "user-words",
                         "A list of user-provided words.",
                         getImage()->getCCUtil()->params())

Finalement la solution est venue grâce à cette question qui m'a permis de mettre à jour mon code ainsi que d'obtenir un excellent résultat.

L’Eurogroupe est la réunion mensuelle (et informelle) des ministres des Finances des États membres de la zone
euro, en vue d’y coordonner leur politique économique.

Créé par le Conseil européen en 1997, l’Eurogroupe a de facto vidé de sa substance le Conseil des ministres des
Finances européens qui se tient le lendemain de la réunion de l’Eurogroupe, dont il entérine les décisions. Le
président est élu pour un mandat de 2,5 ans (nouveauté apportée par le traité de Lisbonne)1. Actuellement, le
président est Jean-Claude Juncker, le Premier ministre et ministre du Trésor luxembourgeois, doyen du Conseil
européen au 1°’ janvier 2005.

En 2008, l’Eurogroupe a connu de nouvelles modifications, quand il s'est réuni le 12 octobre, au niveau des chefs
d’État et de gouvernement, et a accueilli pour une demi-heure Gordon Brown, ancien Premier ministre du
Royaume-Uni, un pays ne faisant pas partie de la zone euro.

Non content du résultat obtenir, l'utilisation de l'API (notamment pour la lecture d'image) a été simplifiée. Désormais, le code consiste en 3 parties:

//lecture du fichier avec leptonica
PIX* pix = pixRead(file);
if (!pix) {
  fprintf(stderr, "Unable to read %s\n", file);
  return 1;
}
 
//transformations sur l'image pour améliorer l'OCR
pix = pixConvertTo8(pix, 0);
pix = pixScaleLI(pix, 4.0, 4.0);
pix = pixContrastNorm(NULL, pix, 20, 20, 100, 2, 2);
pix = pixGammaTRC(NULL, pix, 1.0, 50, 220);
pix = pixThresholdToBinary(pix, 150);
 
//reconnaissance d'écriture
TessBaseAPI* api = new TessBaseAPI();
api->Init(argv[0], lang);
api->SetImage(pix);
const char* text = api->GetUTF8Text();

J'ai mis en fichier le code source de l'exemple. Pour pouvoir compiler, il faut installer leptonica (version 1.68) et faire un checkout de tesseract:

# installation leptonicy
emerge -q leptonica
 
# installation & compilation tesseract
svn checkout -r 703  "http://tesseract-ocr.googlecode.com/svn/trunk" "tesseract-svn"
cd "tesseract-svn"
./autogen.sh
./configure
make -j9
cd ..
 
# installation & compilation de l'exemple
wget "http://www.astorm.ch/blog/public/Sources/tesseract-r703.zip"
unzip "tesseract-r703.zip"
mkdir "build"
cd "build"
cmake ..
make
 
# test (avec multilangue)
ln -s "../tesseract-svn/tessdata" ".tessdata"
export TESSDATA_PREFIX="."
./tesseract-test "fra+eng" "../sample.png"