OCR de una imagen: tesseract y gImageReader

El otro día tuve que comprobar si dos documentos eran idénticos. Ambos eran grandes y lo mejor era hacer un diff sobre ellos, pero uno venía como un documento editable (un doc de toda la vida) y el otro era un PDF en que cada página era una imagen escaneada. Eso llevaba a una lectura larga de un documento sobre otro, o bien hacer un OCR —Reconocimiento Óptico de Caracteres— en el segundo fichero (sí, debería ser ROC en español, pero eso me lleva a confusión sobre la curva ROC, que es español debería ser COR etc; dejémoslo ahí). En  Linux disponemos de Tesseract, a través de terminal. Curiosamente, al buscar si tenía instalada la librería tesseract (Super + tesseract), lo primero que salía era un icono con nombre gImageReader.

Nunca lo había usado, pero la verdad es que es muy sencillo, aplica directamente Tesseract y se obtiene una salida. Finalmente comparé los dos textos mediante meld; eran idénticos, lo que quiere decir varias cosas:
- El trabajo se hizo en 2 minutos (no en tres o cuatro horas de comparación). Muchas gracias a OCR.
- Tesseract es muy fino, por que no hubo prácticamente errores de identificación (hubo que comprobar muy pocas cosas).

Lo que no sé es cuando instalé gImageReader, ya que por lo que veo no forma parte de las aplicaciones de Gnome, y por tanto no se instala con el sistema; o al menos no lo creo.
Seguramente me saldría igual con el terminal (tesseract y diff), pero el resultado ha sido magnífico en muy poco tiempo; no discutiremos lo que sale bien

Novedades en las vaciones. 1. Keep y OCR

En estas vacaciones, como se ha podido ver en el blog, no he tocado ni una tecla de ordenador (¡qué bien me ha venido!). Sin embargo, no estaba aislado de la tecnología; siguiendo la moda, soy esclavo de mi smartphone. Entre algunas cosillas que he estado descubriendo en él, destacaría la utilidad OCR (acrónimo de Reconocimiento Óptico de Caracteres en inglés) que incorpora keep. He sustituido desde hace unos meses todas las demás aplicaciones con las que tomaba pequeñas notas en el móvil por ésta, ya que se sincroniza en la nube y se puede controlar desde cualquier ordenador o conexión en la que sea posible introducir la identificación de usuario google. Realmente no lo sabía, pero me enteré al leer el numero 32 de la revista Android Magazine. Para hacer una prueba, hice una foto de un trozo del artículo; debido a las dificultades de iluminación en el lugar donde estaba leyendo el artículo, y la hora nocturna en que la hice, la calidad no es muy alta.

Luego, en opciones piqué en "Texto de imagen guardado" y el resultado es (los guiones los pongo yo para separar el resultado):

----
eep es la app de Google para to-
mar notas, que permite anadir
anotaciones y recordatorios de
una manera fácil y sencilla. Está dispo-
nible de modo gratuito en Google Play
Sin embargo, qué ocurre si tienes un
documento extenso que quieres añadir
a Google Keep como una nota? obvia-
mente, lo que seguro no querrás hacer
es escribir todo ese texto. Una opción es
tomar una foto del texto en cuestion y
transcribirlo directamente con la fun-
ción OCR Optical Character Recogni-
tion) que incluye Keep. Al seleccionar
la opción, Google Keep automática
mente explorará esa foto y añadirá el
texto que contenga a una nota para, de
esta manera, almacenarla en memoria.
----

Es decir, salvo la K inicial, debido a su tamaño y color, identificó perfectamente el resto del texto y lo dejo colocado como el original. Esta herramienta es muy útil para capturar textos cortos o párrafos que luego podemos insertar en documentos, conferencias, clases o simplemente para guardalo como texto reconocido en la nota.
Aviso, el reconocimiento lo hace muy rápido, pero solo si hay cobertura. El primer intento lo hice en un lugar sin cobertura y después de varios minutos de espera lo tuve que dejar. Luego, en otro lugar con mejor cobertura, fue casi inmediato. Es decir, este reconocimiento se hace en la nube y vuelve, o eso me parece.
Nunca "vacacionarás" sin saber una cosa más.