OCRopus

OCRopus es un software gratuito para el análisis del diseño de documentos y el reconocimiento óptico de caracteres (OCR), publicado bajo la licencia Apache 2.0 , con un diseño muy modular que utiliza interfaces de línea de comandos .

Fue desarrollado bajo la dirección de Thomas Breuel, del Centro Alemán de Investigación en Inteligencia Artificial en Kaiserslautern , Alemania, y contó con el patrocinio de Google .

OCRopus fue diseñado especialmente para su uso en proyectos de digitalización de libros de gran volumen , como Google Books , Internet Archive o bibliotecas. Admite una gran cantidad de idiomas y fuentes. ^{[ 5 ]} Sin embargo, también puede utilizarse para aplicaciones de escritorio y de oficina, o para aplicaciones destinadas a personas con discapacidad visual.

Sus componentes principales realizan las siguientes funciones:

• Análisis del diseño del documento
• Reconocimiento óptico de caracteres
• Aplicación de modelos estadísticos del lenguaje

Para estos componentes se pueden utilizar scripts individuales o múltiples. El enfoque de programación modular permite utilizar flujos de trabajo individuales e intercambiar pasos individuales.

Por defecto, OCRopus incluye un modelo para textos en inglés y otro para textos en Fraktur . Estos modelos hacen referencia al alfabeto y son en gran medida independientes del idioma en sí. ^{[ 6 ]} Se pueden entrenar nuevos caracteres o variantes lingüísticas desde el principio o añadirlos posteriormente.

El reconocimiento de texto reciente se basa en redes neuronales recurrentes ( LSTM ) y no requiere un modelo de lenguaje. Esto permite entrenar modelos independientes del idioma, para los cuales se han demostrado buenos resultados de reconocimiento en inglés, alemán y francés simultáneamente. ^{[ 7 ]} Además del alfabeto latino , existen resultados para otros alfabetos como el sánscrito , el urdu , el devanagari y el griego .

Se pueden lograr tasas de detección muy buenas mediante un entrenamiento adecuado. Este esfuerzo adicional es particularmente valioso para documentos o textos difíciles que ya no son comunes hoy en día y que no son el objetivo principal de otros programas de OCR. ^{[ 8 ] [ 9 ]}

El 9 de abril de 2007, se anunció OCRopus como un proyecto patrocinado por Google para desarrollar tecnologías OCR avanzadas. ^{[ 1 ]} Se concedió financiación por un período de tres años y cubrió, en particular, puestos de doctorado y postdoctorado en DFKI y la Universidad de Kaiserslautern . A cambio, OCRopus también se utilizó para el reconocimiento automático de texto en Google Book Search . ^{[ 10 ]} Desde el principio se adoptó una licencia de código abierto para facilitar la colaboración entre la investigación industrial y académica. ^{[ 11 ]} OCRopus ha recibido financiación adicional de la Fundación Andrew W. Mellon y el BMBF . ^{[ 12 ]}

La primera versión alfa 0.1 se publicó el 22 de octubre de 2007 y le siguieron varias versiones preliminares entre diciembre de 2007 y mayo de 2009, alcanzando la versión estable 0.4.4 en marzo de 2010. ^{[ 13 ]} Originalmente, el software se desarrolló en C++ , Python y Lua con Jam como sistema de compilación . Se realizó una refactorización completa del código fuente en módulos de Python y se publicó en la versión 0.5 (junio de 2012). ^{[ 14 ]}

Inicialmente, Tesseract se utilizó como el único módulo de reconocimiento de texto. Desde 2009 (versión 0.4), Tesseract solo se admitió como un complemento. En su lugar, se utilizó un reconocedor de texto de desarrollo propio (también basado en segmentos). ^{[ 15 ]} Este reconocedor se utilizó posteriormente junto con OpenFST ^{[ 16 ]} para el modelado del lenguaje después del paso de reconocimiento. A partir de 2013, se ofreció un reconocimiento adicional con redes neuronales recurrentes ( LSTM ), que con el lanzamiento de la versión 1.0 en noviembre de 2014 es el único reconocedor. ^{[ 17 ] [ 18 ]}

El código fuente se gestiona a través de GitHub y es mantenido y desarrollado por una comunidad de desarrolladores. ^{[ 19 ]} La versión actual de OCRopus es 1.3.3 (diciembre de 2017). ^{[ 20 ]}

El software OCR kraken , utilizado por la plataforma de transcripción eScriptorium, es una bifurcación de OCRopus. Añadió soporte para escrituras de derecha a izquierda . ^{[ 21 ]} Otra bifurcación basada en kraken es Calamari .

Thomas Breuel también desarrolló un sucesor, OCRopus 2, y está trabajando activamente en OCRopus 4. ^{[ 22 ]}

El 27 de abril de 2026, la mayoría de los proyectos relacionados con OCRopus (incluidos ocropy , ocropy2 y ocropus4 ) se trasladaron a una nueva organización de GitHub, " ocropus-archive ", y se marcaron como " archivados/ya no reciben mantenimiento ".

OCRopus se puede usar desde la línea de comandos. Una vez instalado, se puede invocar especificando las imágenes de entrada. Generará el texto reconocido directamente en la salida estándar o lo escribirá como código hOCR ( basado en HTML ) en archivos, desde los cuales se puede transformar en un PDF con capacidad de búsqueda. Si se necesita un control más preciso, se pueden especificar opciones en la línea de comandos para realizar operaciones específicas (por ejemplo, reconocer una sola línea). ^{[ 23 ]}

Ejemplo de las llamadas de OCRopus para reconocer el texto en una imagen:

# realizar binarización ocropus-nlbin tests/ersch.png -o libro # realizar análisis de diseño de página ocropus-gpageseg libro/0001.bin.png # Realizar el reconocimiento de líneas de texto (con un modelo Fraktur) ocropus-rpred -m models/fraktur.pyrnn.gz book/0001/*.bin.png # Generar salida HTML ocropus-hocr libro/0001.bin.png -o libro/0001.html

Otras herramientas se centran en la parte de entrenamiento de OCRopus. Existen modelos de OCRopus para extraer texto de alfabetos latinos, griegos, cirílicos e índicos. ^{[ 24 ]}

• ocropy en GitHub
• Wiki de Ocropy en GitHub
• Servidor de publicaciones de la IUPR (documentos que respaldan muchos de los algoritmos utilizados en OCRopus)