描述

.. image:: https://github.com/mittagessen/kraken/actions/workflows/test.yml/badge.svg :target: https://github.com/mittagessen/kraken/actions/workflows/test.yml

kraken是一个为历史和非拉丁文字材料优化的一站式OCR系统。

kraken的主要特点包括：

• 完全可训练的版面分析、阅读顺序和字符识别
• 支持从右到左<https://en.wikipedia.org/wiki/Right-to-left>_、双向<https://en.wikipedia.org/wiki/Bi-directional_text>_和从上到下的文字
• 输出ALTO <https://www.loc.gov/standards/alto/>_、PageXML、abbyyXML和hOCR格式
• 单词边界框和字符切分
• 多文字识别支持
• 公共模型文件仓库<https://zenodo.org/communities/ocr_models>_
• 可变识别网络架构

安装

kraken仅在Linux或Mac OS X上运行。不支持Windows。

最新的稳定版本可以通过PyPi <https://pypi.org>_安装：

::

$ pip install kraken

或通过conda <https://anaconda.org>_安装：

::

$ conda install -c conda-forge -c mittagessen kraken

如果您需要直接支持PDF和多图像TIFF/JPEG2000，需要为PyPi安装pdf额外包：

::

$ pip install kraken[pdf]

或手动用pip安装pyvips：

::

$ pip install pyvips

同时也提供了conda环境文件，以便无缝安装主分支：

::

$ git clone https://github.com/mittagessen/kraken.git $ cd kraken $ conda env create -f environment.yml

或者：

::

$ git clone https://github.com/mittagessen/kraken.git $ cd kraken $ conda env create -f environment_cuda.yml

用于在适当的硬件上实现CUDA加速。

最后，您需要找到一个模型来进行实际的字符识别。要下载用于印刷法语文本的默认模型并将其放置在当前用户的kraken目录中：

::

$ kraken get 10.5281/zenodo.10592716

可以通过运行以下命令获取中央仓库中可用的自由模型列表：

::

$ kraken list

快速入门

使用默认参数识别图像上的文本，包括二值化和页面分割的先决步骤：

::

$ kraken -i image.tif image.txt binarize segment ocr

使用nlbin算法对单个图像进行二值化：

::

$ kraken -i image.tif bw.png binarize

使用新的基线分割器对图像（已二值化或未二值化）进行分割：

::

$ kraken -i image.tif lines.json segment -bl

使用默认模型对图像进行分割和OCR：

::

$ kraken -i image.tif image.txt segment -bl ocr -m catmus-print-fondue-large.mlmodel

所有子命令和选项都有文档。使用help选项获取更多信息。

文档

查看文档<https://kraken.re>_。

相关软件

如今，kraken与同一eScripta研究小组开发的eScriptorium <https://gitlab.com/scripta/escriptorium/>项目密切相关。eScriptorium提供了一个用户友好的界面，用于数据标注、模型训练和推理（以及更多功能）。有一个gitter频道<https://gitter.im/escripta/escriptorium>，主要用于协调技术开发，也是找到在各种材料上应用kraken经验的人的地方。

资金支持

kraken由巴黎高等实践研究院<https://www.ephe.psl.eu>_和巴黎科学人文大学<https://www.psl.eu>_开发。

.. container:: twocol

.. container::

    .. image:: https://raw.githubusercontent.com/mittagessen/kraken/main/docs/_static/normal-reproduction-low-resolution.jpg
      :width: 100
      :alt: 由欧盟共同资助

.. container::

    该项目部分由RESILIENCE项目资助，该项目获得了欧盟"地平线2020"研究和创新框架计划的资助。

.. container:: twocol

.. container::

  .. image:: https://projet.biblissima.fr/sites/default/files/2021-11/biblissima-baseline-sombre-ia.png
     :width: 400
     :alt: 获得未来投资计划的资助

.. container::

    本工作得到了由国家研究署管理的国家资助，属于未来投资计划，参考编号为ANR-21-ESRE-0005（Biblissima+）。