Vom Bild zum Text. Automatisierte Texterkennung in historischen Drucken mit der freien Software Tesseract

From image to text: Automated text recognition in historical prints with the free software Tesseract

  • Immer noch gibt es viele Bibliotheken und Archive, die zwar schon ihre historischen Druckwerke auch digitalisiert im Internet zugänglich machen, dabei aber keinen Volltext anbieten. Aber erst mit durchsuchbarem Text, der auch maschinell weiterverarbeitet werden kann, wird der historische Schatz wirklich gut erschlossen, werden Alte Drucke zu modernen Forschungsdaten. Wer dies erkannt hat, verlässt sich häufig noch auf einen externen Dienstleister und traut sich nicht selbst an die automatisierte Texterkennung per Software, die sogenannte OCR ("optical character recognition", also optische Zeichenerkennung).Im Hands-On-Lab bekommt jeder Gelegenheit, auf dem eigenen Notebook die Software Tesseract zu installieren und damit selbst erste Gehversuche zur automatisierten Texterkennung zu machen. Vorlage können mitgebrachte Scans von Seiten aus historischen Büchern oder Beispiele aus dem Internet sein.Tesseract entstand in den 80er Jahren, wird aber bis heute aktiv weiterentwickelt und gepflegt und gehört mit zu den leistungsfähigsten Produkten für OCR. Deshalb steht es auch im Fokus eines der Modulprojekte von OCR-D, dem Koordinierungsprojekt zur Weiterentwicklung von Verfahren der Optical Character Recognition (OCR) der Deutschen Forschungsgemeinschaft (DFG).Bitte eigenen Notebook (Windows, macOS oder Linux) mitbringen!Für die bessere Planung wird um Anmeldung gebeten.

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Stefan Weil
URN:urn:nbn:de:0290-opus4-163511
Parent Title (German):Hands-On Lab digital / Vom Bild zum Text. Automatisierte Texterkennung in historischen Drucken mit der freien Software Tesseract (18.03.2019, 16:00 - 18:00 Uhr, Beratungsraum 3)
Document Type:Konferenzveröffentlichung (Vortragsfolien)
Language:German
Year of Completion:2019
Release Date:2019/03/07
Tag:OCR; Tesseract; Texterkennung
OCR; Tesseract; Text recognition
Themes:Digitalisierung, Langzeitarchivierung
Deutsche Bibliothekartage:108. Deutscher Bibliothekartag in Leipzig 2019 = 7. Bibliothekskongress
108. Deutscher Bibliothekartag in Leipzig 2019 = 7. Bibliothekskongress / Labs / Hands-On Lab digital / Vom Bild zum Text. Automatisierte Texterkennung in historischen Drucken mit der freien Software Tesseract
Licence (German):License LogoCreative Commons - CC BY-SA - Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International