ocrad vs tesserac: La batalla de los OCR, descripción gráfica.

¿Así o más drama?.

Resulta que investigando para mejorar el producto de IFScore, que es una suite financiera, quiero automatizar la adquicisión de ciertos datos, es decir, quiero hacer reconocimiento de caracteres ópticos, y realmente para linux hay de dos sopas, OCRAD de GNU y TESSERACT de Google...

Round 1: Instalación.
Cuando me puse a instalar el OCRAD en mi opensuse 12.3, le dí cliketeclick y zaz! a bajar 925 paquetes y el tesseract solo baja 4...

Round 2: Con una imágen tomada con el cel (Galaxy S3)
Esta es la imagen utilizada como original, tomada con un Galaxy S3.

El ocrad usa imágenes pnm en escala de grises, entoces utilizamos la línea de comandos:

djpeg -greyscale -pnm 20130829_200939.jpg  | ocrad 

Y este es el resultado, bastante pobre por cierto.

 djpeg -greyscale -pnm 20130829_200939.jpg | ocrad   
 __...__P__. . '..' __. ,? _ `'- ._ . ..` _r '-  
 _ _' , ._ _ . _. _ .. ____ _ _ � . . _ _T ._ :__.;__ . ' _  
   
 __..-.r._/.__..'_ .. __ _ _ _ . _: _,.!_, _.___\___ ., j____'_i'_! _ .  
   
 ' , .! ._.- _ ` ,____ ..., r . . '. . : ._ __ .-._ ._i ___.'_!.  
 _ ^'  
 _.._P. __ . _ . . . ... _, . ._ `i __'.!.  
 _r.._.._.__...L_: . . . . _ ' . _ _. ... .-: ._.  
 . _ \r , , n . . _ _. ; . '`.___'. i!____�.___  
 _.:.:_._-t, __ _ . . . . .. .,_ .,. .! _ _ _ _  
 _ .r . / _ +_ ? , . _ _. _ ..i __'`__i i '? .  
 _ \ _ ..  
 \ `. ' . _ . r . . _ , :' ____ _j..! _' ! .  
 2/ _ _. . ,�. | l '_ _?. .  
 _ . ,__ _ . , ' . , . . , . . '^ __ _  
 . _. .__ _| _ . .. _ _. h. ._rf . .7 . '_ .: '  
 . \ .. n.. ._ .. . , _ _  
 . ` ._.. . , _? _ . ' . ~ .. - . . . . ..  
 _. .  
 _ _ .__? _  
 \ .  
   
 _ , . .  
 _ . \._ _: __.  
 . ' .. _ , .: ' .  
 _ ' _ __._. .  
 . _ _  
 \ _ .  
 . . : _.`..,  
 _. . _. :_ ?  
 _ . :. _ _ |  
   
 ... . ' _:.. .  
 . _ .  
 _ . .  
 r _ .. . _  
 n L __  
 ? . _ .._. , _  
 ._ . .: . ,t .,'  
 _ .. . _,  
 _ . - .  
 _. . . : . __ .  
 _ , ._ ,,_ .  
   
   
 L.Gb. l M r V . !i ,___. '  
   
 IC. # rlea Q lnez er nlco_ ._.. ______ '  
   
   
 ._. . . . ;.___`:i__ '  
   
 _S \ . ,_,r_`__-.. _  
 _. _.i_,_i__ . :_.  
   
 r_. . . . .___�_ Y_  
 . _ , , _,. �_ _  
 , _ ; . ,ij. tr..h__ .__..  
   
 . . \,_ _!_.S____ '  
 ? _  
   
   
 . _ ________. _  
   
   
 ..!`__. ____,j - .  
 _ . _ _ . _j! ',,__ r  
 _!_ _. .__.___ ,  
   
 . . . '_ _i _____.. .  
 , , _ _ .  
 . _ _' '.. . .: ___!___ _. . .  
   
 _- _ _ _'_____i._ S.'_. . .  
 _ . . .  
   
 _nYX_h_#4_d2|nt|OC__._._._. ...... "._ '_. _ :__.__ . ' : !  
   
 . . . ._' ! _- . _ r . .  
   
 _.j___TH|||___. r : _i n_ ._  
 ._|:__YaCaX_. ?. ..__ __ ...  
   
 _ . . . _. .._', .`..,'_. .__  
 . .,_ , . .. _ ,._ ___ .., _ _  
   
 ...._Z_nJ_|O__.|*.__'.i !_i_?_,.  
   
 ___. :_ _ . . . . . . .'_ ':_+ !.?.  
   
 :.T__3__|_9|_. _ .._ __. .'i_ __':_..  
 _ ! , _ . , ,_ |  
 _. , _ __ _ _ .r,  
 :';".\ ` . . . ___.'. , . _ \+!,  
 � , _. | . . _ . ___.. . _. '  
 _�__. . _^_i �._. _ _.,._ _  
 , n..%____ , _ . ' .'�. __ . .. .  
 ._,__.__! _ . . . ._i, _ _ ? . '  
   
 _)____:.`' '. .,. .  
 . . rf__ _ _ . , . , . . . . _  
 ___._. __. _?____. .._____ . ._.?_._�%.__. . . ` `< . _ _._.__ . .....__ : ._, . _.. .. , , __ _ . ' .' . ' .._ i. m__! _!_t_ _._._.  
 ' _ ' `' . .i.`___ m__ . ______ y�_ | _ . . __; .' . . . L' . _._ _ :. . . _ , . . , .n ._ .,  
 : . _ _ , ._. . . . .. ,: . . ,. . \ , . , _ ,.. ? . - , . . , _ . _ ;_  
 ___:_ri'_?:_ _ _.'.!__l _ _ !___:__ ___ .. " .._r. . _._.�_." ?..." ,.,� ...'._ .. ,_ ' ' ' . : _ . \_.. _.. ..___`; _i... '_ .!:!i'_.!____  
 . ___ '_ ._�..r`_.?__ ._.._.._hj_'.. . . . . .__ :__?. _. :_..=_, , , _.__ \ _. , ,.,.:_%!! ... _.. ,!_ .j___?  
 _ . ___ ,2' _ \_, . ._ _ ,. _ . _ ' . __ ?. '... r . _ __.: ._�='___.i'. ` . _ .._ ._ _ .._: . r_`i_.?_ _ �_j. _ ,__..j____�.__` .  
 _ ! . _ . ., . . _ . , , . . _ , , . _ . _ , . ,_ .  
 . ' . .` . _' __!___'__ . . ,?_j ? .._ __. __ ?.'__ ' .. ,__._ .?...._ ._`i: j , ..` _ .-r._. ._' .. _! ._ . .. ._..'.. _ '_.=__` .. ;_... . ...___, _ ,.  
 , _ . ' \ _! '_ i _j. D_`:r __ _ _. .i??-_. :_ `' _ ?.. . . ._ . _. ' __.. i ._ + :' .� _:. _%._! _._.._.:_____,_ __n_  
 _ _ _ ,___ . . _,__ i, .._� ' ,:� k;. . ' r_. . .. ! `..'_. ,_'j .' _ . ... ,,_ . :....` ...'_.'._`._.. . _._... .'._ . .. __ _ _ _ . _ . .\  
 ', . ,. , |, ` _ _ _ '.'_ \ \. _. ._._|_ ____ _W"  
 . , :_ ,,.. , .. . '._ . ._ .,_ T �.,_ _ _ . . . _ . . .. _ . _ . . _. _ , . . ,.  
 _ i_ ^ _ . _, i :_____i ___i.i.:'!_ . _._.._..!_ _i _`! . . _. .. _ _ .`_ . . ,_`_ _. _' .. '.:.. . ._._' :. _ ._?__.__._.. r rt i., \_._____'i _ .  
 .W_� _ . _ _ _..i _.: ' . '... _.. _? . .. . . . _ . . . . . . _ _ . , . _  
 . ' ____� . _ _ . _ | ._ %, !i.__. __'___ _ . '. _ . . ` . .. ? ' . _ ' '.. _. . . .. '._ . :_ . '._' r.. : _.. ' : M. .&.______  
 _ _  
 .._. . ' . ._ _. ! .. i _ - _ . . . ' . ` ' ' ._. .. _*. .; . |_ !__  
 _ . ._ _ _j_ _ _'. _ _ . . . \_ _ _ . ., _ _ _ ._  
   

Ahora probamos con el tesseract, que si acepta el jpeg como entrada, con el comando:

tesseract 20130829_200939.jpg out; cat out.txt

Y el resultado es impresionante, por cierto

 tesseract 20130829_200939.jpg out; cat out.txt  
 Tesseract Open Source OCR Engine v3.02.02 with Leptonica  
    
   
    
   
    
   
    
   
    
   
      
    
      
    
   
 Lic. Gabriela Martinez Verénica.  
 DIRECTOR COMERCIAL  
   
 Av. Xéchifl # 4262 Int. 10 Ce|. 333080807944.  
   
 Prados Tepeyac Nextel: 1659 3730  
 Zapopan, Jai. l.D. 92‘14“'30436  
 Tel. Of. 3121-9991 gabrielamtzéflhotmaflcomf  
   
 Yr’  
   
    
   

Round 3: Con una imágen tomada con la camara Lumix DMC-FX35

Wow, ¿verdad?, ok... supongamos que es por que la cámara del S3 es mala... entoces tomamos la foto con una Lumix de 10Mpx que toma unas fotos maravillosas, esta es la foto utilizada:

Resultado con OCRAD, igual de malo.

 djpeg -greyscale -pnm P1080712.JPG | ocrad   
 .. _ ._' � , . i_. __ ,_.___L_,___!._ � . '  
 _ ._ . ' ._ _._..| | _. _�___-_i__-  
 ____l. _ .i.' .. ,! _ .. . _ r" ..! ?___ _.!._ �___  
 , _ . _ ' ' , _; _ , .  
 .._.._.m' | 'n_ .. !_ �._' _ ;.. . _ . _ _. '^. , ... __ : � :  
 | h _ ' -. = :_ . _ . . _ _ ' _ __ . %. ; . .` | - __._._ .. ,: . ; . -  
 _ _ . !i. .. . _ _. . _'`_' , ' _ . .". . . _. ._ . , , _.'_ ?. .j,i__.__ S?. |_ _  
 , . . . '___._ .._ ' r _ . ___ _. _ ? : ._, ?-: . ...___?  
 - _ .. _ .._- :_!� _.i _ ^ ." . _ ' ' . . _ . . _ _  
 ... _ _ _ _ , . ! . ._ . ,_ n " _ _ _ _ . . - -  
 . \ .,- ' _ : . . .. - `  
 : -. . _ _ - . . _ . = . _ _ | _: _�t  
 - ; . T - | _ -| _ . . .i_-  
 | . - : L  
 . . .? r ' _ _  
 . \ . . '  
 , . . . _!.  
 - . .! ._: _, . .! . ._| .  
 . . . _..\ _  
 _ _  
 . . ` _ .|  
 - ' .|  
 _ !/|  
 _ . __ _?  
 | _ :.  
 , ._ __: _  
 _ -. �._ | .  
 _.| _ !:___ �_  
 . . __ ' _! .  
   
   
   
 tlE_ Cge__r___le_3 M_.__'2fr____ dBt�nlco, .. _.._. . ....: :__.____:___  
   
   
   
 l _ ( _ _ � t e ,_ |_ _ _ _ M _ y _. _r.f l n t . _.._ ., ._:: :-.:._!__:_  
   
 . : . . ' = . ...__| i  
 . . , - .!_ ... . : ._.  
 - ' ' , __ � : .�  
 _ _ _ . _ ' .  
 - ., _  
 _ _ . . . | _ . _  
 - . . . _ . � ___._._ _.  
   
 ...! . . . . . . != : .�:___;_  
   
   
 ___�_.__p _ n *___ tnt_ _O e.__ 23a`_'nsb_ ,' _. _ _"._._..._-__�____  
   
 _:___ #.nt.|_ _d_Q __OO . , _ :_... __:.__._  
   
 ____.'- :___r;_.:.% .' .... . _ | o Qa* _ *P$g__t , _ .. _ ��!-.___  
   
   
 _. .._j '.._ _'..:._'__..___| _'_ | qoarfolam_d_.hol_#i__. .,... r . .... ___'`_ M ;'.._______  
   
   
   
 �i_._ ______________.__:�:., __ ._._ _: :. . . ?. . _ . . - _ __ ____________ '! . ..%'.� _�-.._ '__'_' ' '' . "  
   
 ..?...�_ . _ . .__/i__C ,_. _,,  
 ,, , _. .___._, r,;;_.___ � ! ,._!_ _ __,_ i . _.. _ |_... , . , _  
 __., ._,'______ '__.._: ___________:__';__,;_, ._"'_"j .i.. ._. . .  
 rf  
 _,_i '_ ?.'! %_ . ... . "________rt____. .  
 _. ., r__.___ ? . ?.-._ _____`_:_? _  
 . '.i____ _ . . _| __ . , ____ ' _,:,,, _, , . , . , _, _ _ . _  
   
   

Y con tesseract, el resultado es:

  tesseract P1080712.JPG out; cat out.txt  
 Tesseract Open Source OCR Engine v3.02.02 with Leptonica  
    
    
    
     
   
 Llc::. (+i}c3ti)r|;3|c1 M(JlHf1(‘3l Vcfarénlco.  
 limit I: ah? i € JMl H(.JAl  
   
 Col. 333-606-79¢64  
   
 Noxm: 1659 3730  
   
 I.D.92"I4"‘30436 ~  
 aabrlolamtzéflhotmcfinom   
   
    
     
   
   

KO, fatality y todo lo demas: Conclusión.

Conclusión, los MPX de la cámara, no tienen un efecto tanto como la nitidez. El S3 toma una mejor foto y tiene mejores filtros que la cámara P&S. El OCRAD no solo es málo, es malísimo y no sirve, el tesseract es mucho más facil de que funcione.