Tesseract?

[Firefox2000]

Estoy probando de hacer búsquedas en el contenido de las imágenes, tengo configurado OpenKM 5.1.9 para que haga uso de tesseract.
Por línea de comandos (tesseract imagen fichero_salida) va bien, y aparece en fichero_salida el texto extraído de imagen.

Entiendo que al subir la imagen en OpenKM, automáticamente se extrae el texto lo que permite hacer búsquedas. Es decir, se ha de configurar sólo system.ocr.
En mi caso ocurre que cuando subo una imagen y después hago una búsqueda, no aparece ningún resultado.

Vía log de OpenKM no aparece ningún error:

Code: Select all

14:47:53,360 INFO  [FileUploadServlet] Filename: 'cardif documento 1.2.jpg'
14:47:53,360 INFO  [FileUploadServlet] Upload file 'cardif documento 1.2.jpg' into '/okm:root/proves/imatges'
14:47:57,475 INFO  [DirectDocumentModule] create: {path=/okm:root/proves/imatges/cardif documento 1.2.jpg, mimeType=image/jpeg, author=admin, permissions=15, created=Thu Mar 15 14:47:57 CET 2012, lastModified=Thu Mar 15 14:47:57 CET 2012, keywords=[], categories=[], locked=false, lockInfo=null, actualVersion={name=1.0, size=1385863, author=admin, actual=true, comment=, created=Thu Mar 15 14:47:57 CET 2012}, subscribed=false, uuid=e41e2d6f-bc2b-476b-b810-113177aaa297, convertibleToPdf=true, convertibleToSwf=true, convertibleToDxf=false, cipherName=null, notes=[]}
14:48:00,519 INFO  [MultiIndex] Unable to delete obsolete index: _4

¿Tal vez la última línea sea algún error?

Curiosamente subo la imagen en demo.openkm.com y la búsqueda tampoco funciona.

P.D: Adjunto la imagen con la que estoy haciendo las pruebas.

[jllort]

Ojo al dato, fíjate en http://wiki.openkm.com/index.php/OCR

Por defecto openkm viene preparado para configurar el cuneiform, no el tesseract, para ese ( aquí he presupuesto que vas a utilizar el tesseract 3, tienes que modificar en los parametros de configuracion los estractors com.openkm.extractor.Tesseract3TextExtractor

A parte de eso tambien tienes que modificar el repository.xml y dentro de repository/default/workspaces.xml ( puede que el path no te lo de al 100% correcto ) esta la misma entrada ( cuando modifiques los xml el jboss tiene que estar parado ).

Otro tema importante es la resolución, el cuneiform creo que en este sentido funciona un poco mejor que el tesseract, lo que te sugiero es que hagas un test con la imagen del tesseract que viene por defecto en los ejemplos.

[pavila]

300 dpi es una resulución adecuada para que funcione bien un OCR.