OCR per librat shqip qe permbaje karaktere jo latine

general
#1

Duke i shfletu arkivat digjitale te Biblotekes kombetare shqiptare gjeta nje liber te naim frasherit per trupat dhe fenomenet astronomike ishte i botuar ne vitin 1895 ne Bukuresht mu duke shume interesant deshta me provu me procesu me OCR pasi ia heka watermark-in mirepo me nxoren probleme disa karaktere qe ishin perdor te rumunishtes edhe ishin ne cirilisht edhe skish support per to tpakten jo ne software-in Tesseract-ocr te google,dhe ni zgjidhje ishte me provu me train me ni set te charaktereve,deshta me dite a keni ndonje pervoje ne OCR dhe a keni ndonje sygjerim

Linqet:

Libri: http://www.bksh.al/gsdl/collect/libra1/index/assoc/HASH019b.dir/doc.pdf

Tesseract:https://github.com/tesseract-ocr/tesseract

Trained tesseract langs (tessdata) te gatshme per gjuhe te ndryshme:https://github.com/tesseract-ocr/tessdata

pdftoppm (poppler-utils package)- per me convert pdf ne png me kualitet te lart

Gimp per watermark removal

#2

Duhet te bejme dicka per livrat qe kane watermark te institucioneve ndetkohe qe jane piblic domain…

#3

Liber shume i vecante po duket.

Fatkeqsisht ligji per te drejtat e autorit ne Shqiperi lejon fitimin e te drejtave per nje periudhe 25 vjecare (lexo vjedhjen nga domeni publik) per personin qe e nxerr ate nga arkivat Neni 42 http://www.wipo.int/wipolex/en/text.jsp?file_id=410069

#4

Tung,

A ka mundesi me me unsubscribe prej kesaj liste sepse vet e kam provu disa here online dhe nuk funksionon.

Me te mira,

#5

Liber shume i vecante po duket.

Fatkeqsisht ligji per te drejtat e autorit ne Shqiperi lejon fitimin e
te drejtave per nje periudhe 25 vjecare (lexo vjedhjen nga domeni
publik) per personin qe e nxerr ate nga arkivat Neni 42
http://www.wipo.int/wipolex/en/text.jsp?file_id=410069

Vepra në fjalë nuk kualifikohet si vepër e pabotuar më parë, pasi është
botuar një herë (për herë të parë - po t’i besojmë fjalëve të autores së
kësaj rrjedhe - më 1895 në Bukuresht). Dhe klauzola në ligj e shpreh qartë:

1. Përfiton një mbrojtje të njëjtë lidhur me të drejtat pasurore,
sikurse autori i veprës, çdo person, i cili, pas përfundimit të
mbrojtjes së të drejtave pasurore të autorit:

      a) publikon për herë të parë në mënyrë të ligjshme ose e vendos po
në mënyrë të ligjshme në dispozicion të publikut një vepër të pabotuar
më parë;

se mund të kihen pretendime për 25 vjet mbi një vepër që nuk është
botuar më parë.

Të fala,
Besnik

#6

Posht ne linqe jane disa samples qe tregojne se watermark removal eshte i mundshem qe se bashku edhe me image enhancement japin nje rezultat te knaqshem duke pas parasysh qe mungojne disa karaktere.

Genti a mundesh me provide sample data per me trajnu tesseract permes projektit te book scannerit.(edhe nese kishe mujt me provu me setup-in tond me bo ocr at file ne link posht)

http://imgur.com/a/tP0gR

[OCR]http://pastebin.com/vJK51tb5