Tengo una copia escaneada de un libro muchas líneas en las que están subrayadas con un bolígrafo, también hay notas en los márgenes. Necesito un programa para eliminar estas marcas o para extraer el texto sin perder el formato y guardarlo como documento PDF. El libro fue impreso en papel oscuro. Mi sistema operativo es Windows 7. Estaría muy agradecido por las recomendaciones.
ImageMagick convertse puede utilizar en modo por lotes para filtrar las marcas de lápiz y, al mismo tiempo, reducir las imágenes a monocromáticas (en cualquier caso, normalmente es mejor para OCR). Seleccionaría algunas imágenes típicas, escaneos, primero y probaría para obtener los valores de filtro que necesita, GIMP se puede usar para probar los colores de tinta o puede usar la función de histograma ImageMagick para identificarlos.
ImageMagik es:
Pero el archivo pdf será una de las imágenes escaneadas limpias. Para hacer que esto se pueda buscar, necesitará ejecutar un programa OCR (reconocimiento óptico de caracteres) en las imágenes limpias.
El OCR tiene un nivel variable de éxito según la calidad de las imágenes, la(s) fuente(s) utilizada(s), la cantidad de diagramas, el entrenamiento del programa (algunos se pueden entrenar) y, hasta cierto punto, cuán oscuro es el texto. muchos programas de OCR intentan corregir en función de la ortografía y el contexto: si está utilizando OCR para ciencias, matemáticas o psicología, por ejemplo, puede esperar muchos errores, ya que hay mucha terminología que no se ajusta al diccionario de inglés estándar. .
Vale la pena echarle un vistazo a Tesseract para realizar el OCR. Es:
Debo decir que, en la mayoría de los casos, dado el tiempo y el esfuerzo necesarios para hacer esto en un libro sustancial, probablemente tendría sentido pasar suficiente tiempo trabajando detrás de una barra, o simplemente en cualquier trabajo de medio tiempo con salario mínimo, para comprar una marca . nueva copia del mismo libro, como libro electrónico o pdf si está disponible, de los editores.
steve barnes
negro