OCR-Workflows mit OCR-D

Architektur

Workspaces

• physische Repräsentation einer METS-XML
  • Verzeichnis für Dokument
  • mets:fileGrp Unterverzeichnisse
  • mets:file Dateien (relative lokale Pfade / URLs)
• Verwaltung ähnl. Repository

ocrd workspace clone "https://digital.slub-dresden.de/oai/?verb=GetRecord&metadataPrefix=mets&identifier=oai:de:slub-dresden:db:id-50169238X"
ocrd workspace find --file-grp ORIGINAL --page-id PHYS_0001 --download
ocrd workspace list-page
ocrd workspace list-group
ocrd workspace add ...

• Gegenstand der Prozessierung

Architektur

Repräsentation

• METS-XML: Dokument-Struktur, Metadaten
• PAGE-XML: Seiten-Struktur (hierarchisch); Beschreibung von Segmenten mit (Polygon-)Koordinaten, Attributen, Text, Bild-Referenzen
• Bilder: Original und Bildderivate
• Prozessierung = schrittweise Anreicherung (Annotation)
  
  

Architektur

Prozessoren

• Implementierung für abstrakte Operation in einem OCR-Workflow
• operiert auf Workspace (Eingabe/Ausgabe-fileGrps)
• Parameter-Spezifikation (JSON-Schema)
• einheitliche CLI

ocrd-olena-binarize -I MAX -O BIN -P impl sauvola-ms-split
ocrd-tesserocr-segment -I BIN -O SEG -P find_tables false
ocrd-cis-ocropy-dewarp -I SEG -O DEW -P smoothness 0.1
ocrd-calamari-recognize -I DEW -O OCR -P model "gt4histocr/*.ckpt.json"

• derzeit > 60 Prozessoren verfügbar
  • Binarisierung / Denoising / Despeckling
  • Cropping / Deskewing / Dewarping
  • Segmentierung / Clipping / Alignment
  • Texterkennung / Alignment / Nachkorrektur
  • Evaluierung / Konvertierung / Archivierung

Architektur

Workflow

• Konfiguration der Folge von Prozessoren und Parametern
• Shell-Syntax, Makefile-Syntax

MAX:
        ocrd workspace find -G $@ --download

BIN: MAX
BIN: TOOL = ocrd-olena-binarize
BIN: PARAMS = "impl": "wolf" # sauvola-ms-split

SEG: BIN
SEG: TOOL = ocrd-tesserocr-segment
SEG: PARAMS = "find_tables": false, "shrink_polygons": true

DEW: SEG
DEW: TOOL = ocrd-cis-ocropy-dewarp
DEW: PARAMS = "smoothness": 0.1

OCR: DEW
OCR: TOOL = ocrd-calamari-recognize
OCR: PARAMS = "model": "gt4histocr/*.ckpt.json"

• auf Workspace(s) aufrufen und (parallel) abarbeiten:

make -j -f config.mk all

Anlaufpunkte

Benutzung

https://ocr-d.de/en/user_guide (User-Guide)

https://ocr-d.de/en/workflows (Workflow-Guide)

Anlaufpunkte

Entwicklung

https://ocr-d.de/en/spec/ (Spezifikationen)

https://ocr-d.de/core (API-Dokumentation)

https://github.com/OCR-D/ocrd-website/wiki (Wiki)

https://ocr-d.de/en/dev-best-practice

https://gitter.im/OCR-D/Lobby (Chat)