распознание текста из командной строки

[Igozaram]

Извините, новичок на форуме - наверное, выбрал не совсем подходящий раздел. Мне нужна помощь в следующем:
Имеется ~ 500000 отсканированных изображений (TIF), имена файлов картинок содержатся в таблице БД. Все картинки - это изображение документов, под названием "Заявление о..... ". Недавно выяснилось, что заявлений было 3 различных вида. Стоит задача каждому файлу приписать признак, определяющий вид заявления. С помощью программы CUNEIFORM
для примера распознал несколько картинок, превратил их в текстовые файлы и с помощью поиска ключевых слов выяснил, какие это заявления.
Как все это автоматизировать? нужно запускать CUNEIFORM из командной строки, указывая имена файлов как параметры. Нигде не могу найти, есть ли такая возможность для этой программы и каков вид параметров в этом случае. Или есть другая OCR программа для запуска из командной строки?

[Человек_Борща]

FineReader есть ещё. Обычно в справке к программе идет описание параметров командной строки.

[min@y™]

круто, интересная задача.
дай посмотреть несколько тифов.

[Alex11223]

В Файнридере скорее всего нельзя через командную строку и прочую автоматизацию без покупки более дорогих SDK.

Tesseract https://code.google.com/p/tesseract-ocr/

[Stilet]

Имеется ~ 500000 отсканированных изображений

Я бы сделал так: В Айсидиси или подобном крутом просмотрщике попросматривал, пометив сначала те, что первого вида. Потом бы помеченное скинул в другой каталог.
Потом точно так же с другими.
Вообще у меня когда то була работа похожая - каталогизация чертежей. Я анписал небольшую программку, которая открывает файл TIFF, показывает только его определенную часть. Я вижу что это за файл (всмысле к чему относится) и нажимаю на цифровой клавиатуре клавишу. Программа реагирует и в зависимости от того что я нажал помещает файл в ту или иную папку. Это будет быстрее и надежнее чем распознавать.

[Аватар]

Это будет быстрее и надежнее чем распознавать.

500000 визуального распознавания? Быстрей не будет, надежней тоже, пол лимона все таки, а не 500 или 1000

[Serge_Bliznykov]

Я вижу что это за файл (всмысле к чему относится) и нажимаю на цифровой клавиатуре клавишу.

Виталий, если у него реально 500000 файлов, тогда это не выход.
поясню, пусть у оператора на обработку одного скана уходит 1 секунда.
тогда 60 сканов в минуту.
500000/60 = 8333 минут = 138 часов ~ 17 дней...

я бы всё таки смотрел в сторону FineReader...
как минимум, посмотрите сюда - DjvuOCR 2.0 final - раздел "Работа с FineReader в пакетном режиме"
(правда, пакет документов нужно создать руками, но, возможно, что и это можно автоматизировать)

[min@y™]

а как используются отсканированные документы на практике?
и кто ж их столько насканировал?

[Igozaram]

Господа! Речь идет о негосударственном пенсионном фонде, отсканированы заявления застрахованных лиц - заявление о переводе накопительной части пенсии из ПФ РФ в негосударственный НПФ, заявление о назначении правопреемников (наследников) и заявление о вступлении в программу дополнительного страхования. По 152 ФЗ я не имею права распространять персональные данные, поэтому просьбу min@y™ о передаче примеров файлов выполнить не могу. Сканы документов делались многими операторами фонда и их реально около полумилииона. Используются эти сканы в АСУ НПФ , например, в конфликтных ситуациях: застрахованное лицо утверждает, что не давало распоряжения о назначении правопреемников (случай из жизни!) , а отсканированный документ с его подписью есть, и его можно просмотреть

Кстати, я нашел на каком-то старом сайте (~ 2008 г) описание командной строки:

cuneiform [-l languagename -f format --dotmatrix --fax -o result_file] imagefile

, но проблема в том, что версия CUNIEFORM (CUNIEFORM v.12 Master), которую скачал, вообще не имеет такого eхe-файла, а имеющиеся exe-файлы для этого описания не подходят.

[stresver]

Сообщение от Stilet

Я бы сделал так: В Айсидиси или подобном крутом просмотрщике попросматривал, пометив сначала те, что первого вида. Потом бы помеченное скинул в другой каталог.
Потом точно так же с другими.
Вообще у меня когда то була работа похожая - каталогизация чертежей. Я анписал небольшую программку, которая открывает файл TIFF, показывает только его определенную часть. Я вижу что это за файл (всмысле к чему относится) и нажимаю на цифровой клавиатуре клавишу. Программа реагирует и в зависимости от того что я нажал помещает файл в ту или иную папку. Это будет быстрее и надежнее чем распознавать.

я с тобой согласен, только нужна начала построить список,
Я уже построел свои славарь программой в пять этапов "18 часов" славарь размером 3мб, "7z формате будет 1.5 меньше" почти 300000 значении, мои клустер "cluster", я как только напишу покожу.