imported>Paintdog: /* Verfügbarkeit */ gImageReader gelistet

2026-03-01T19:38:32Z

Verfügbarkeit: gImageReader gelistet

Neue Seite

{{Infobox Software
|Name =
|Logo = 
|Screenshot =
|Beschreibung =
|Maintainer = 
|Hersteller =
|Erscheinungsjahr =
|AktuelleVersion =
|AktuelleVersionFreigabeDatum =
|AktuelleVorabVersion =
|AktuelleVorabVersionFreigabeDatum =
|Betriebssystem = 
|Programmiersprache = 
|Kategorie = [[Texterkennung]]
|Lizenz =
|Deutsch = ja (Texterkennung)<br />Bedienung Englisch
|Website = 
|Dateien =
}}
[[Datei:Tesseract-3.03.png|mini|Tesseract 3.03 in einer Linux-Konsole]]
'''Tesseract''' ist eine [[freie Software]] zur [[Texterkennung]]. Schwerpunkt ist die Erkennung von Textzeichen bzw. Textzeilen, aber auch die Zerlegung eines Textes in Textblöcke (Layoutanalyse) kann Tesseract übernehmen. Zur Verbesserung der Erkennungsraten verwendet Tesseract [[Sprachmodell]]e wie beispielsweise Wörterbücher.

Für weit mehr als 100 Sprachen und Sprachvarianten sind bereits Texterkennungsdaten in Zusatzmodulen vorhanden. Tesseract unterstützt dabei nicht nur [[Lateinisches Schriftsystem|lateinische]] [[Antiqua]]-Schriften, sondern auch [[Fraktur (Schrift)|Fraktur]]-Schrift, [[Devanagari]] (indische Schrift), [[Chinesische Schrift|chinesische]], [[Arabische Schrift|arabische]], [[Griechisches Alphabet|griechische]], [[Hebräisches Alphabet|hebräische]], [[Kyrillisches Alphabet|kyrillische]] und weitere Schriften.<ref>{{cite web|title=tesseract-ocr/tessdata_best: Best (most accurate) trained LSTM models|url=https://github.com/tesseract-ocr/tessdata_best|date=2017-09-15|language=en|publisher=GitHub|accessdate=2017-09-25}}</ref><ref name="LU">{{Literatur |Autor=Erik Bärwaldt |Titel=Buchstabensalat |TitelErg=Texterkennung mit Tesseract |Sammelwerk=LinuxUser |Nummer=5 |Verlag=Linux New Media AG |Datum=2011-04-08}}</ref>

== Geschichte ==
Ursprünglich wurde die Software zwischen 1984 und 1994 bei [[Hewlett-Packard]] für deren [[Dokumentenscanner|Scanner]] entwickelt, dort aber nie in einem Produkt verwendet.<ref>{{Literatur |Autor=Ray Smith |Titel=An Overview of the Tesseract OCR Engine |Sammelwerk=Ninth International Conference on Document Analysis and Recognition |WerkErg=ICDAR 2007 |Band=2 |Verlag=IEEE |Datum=2007-09 |Seiten=629–633 |Sprache=en |Online=https://github.com/tesseract-ocr/docs/blob/master/tesseracticdar2007.pdf}}</ref>
Aus einem Test der [[University of Nevada, Las Vegas]] (UNLV) ging sie 1995 als einer der drei präzisesten Testkandidaten hervor. Nach dem Ausstieg von HP aus dem OCR-Markt lag die Entwicklung weitgehend brach, bis der Code 2005 an das Information Science Research Institute der UNLV übergeben wurde. Hier wurde festgestellt, dass der ehemalige Entwickler Ray Smith mittlerweile bei Google arbeitete. Nach einer Nachfrage bei Google, ob Interesse an dem Code bestünde, nahm sich Google des Quelltextes an, brachte ihn auf einen aktuellen Stand und gab ihn noch im selben Jahr unter der [[Apache-Lizenz]] über [[SourceForge]] frei.

Dies bedeutete in der Welt der freien Software einen großen Qualitätssprung im Bereich der Texterkennung. Das Projekt migrierte von SourceForge auf Googles eigene Software-Entwickler-Plattform [[Google Code]], wo es unter Betreuung von Google weiterentwickelt wurde. Seit 2015 findet die Weiterentwicklung auf [[GitHub]] statt.<ref>{{cite web | url=https://groups.google.com/forum/#!topic/tesseract-dev/_LiqkPTduFg | title=Tesseract moved to github.com | date=2015-06-14 | accessdate=2018-03-20 | publisher=Google Groups | language=en}}</ref>

Seit 2006 wurde das Programm als Grundlage von [[Google Books]] weiterentwickelt. Ab Version 3.0 vom September 2010 können Ergebnisse direkt in das [[hOCR (Standard)|hOCR-Format]] ausgegeben werden und es wurde ein neues Modul zur Analyse der Seitengestaltung eingeführt.

Das Projekt ''tesseractindic'' widmete sich der Aufgabe, das Programm mit Sprachen aus der [[Sprachen Indiens|indischen Sprachenfamilie]] verwendbar zu machen.<ref>{{cite web | url=https://github.com/satnath/tesseractindic | title=Tesseractindic | accessdate=2016-04-19 | date=2009-11-27 | publisher=GitHub |language=en}}</ref> Diese Sprachen werden seit Tesseract 3.01 unterstützt.

In der Version 3.02 vom 28. Oktober 2012 wurde u. a. die Erkennung [[Arabische Sprache|arabischer]] und [[Hebräische Sprache|hebräischer]] Texte im [[Bidirektionaler Text|bidirektionalen]] Modus eingeführt.

Ende 2016 führte Tesseract ein [[Künstliches neuronales Netz|neuronales Netz]] zur Texterkennung ein. Version 4 unterstützt diese neue Methode, kann aber auch weiterhin mit dem Mustervergleich der Vorgängerversionen arbeiten.

Google verwendete nach eigener Aussage Tesseract für die Texterkennung auf mobilen Geräten und in Videos sowie bei der Erkennung von [[Spam]] in E-Mail-Bildern<ref>{{cite web | url=https://opensource.google.com/projects/tesseract | title=Tesseract OCR| accessdate=2017-01-12 | publisher=Google Open Source |language=en |archiveurl=https://web.archive.org/web/20210709234928/https://opensource.google/projects/tesseract |archivedate=2021-07-09}}</ref>, ist aber seit 2018 nicht mehr aktiv an der Weiterentwicklung von Tesseract beteiligt. Diese wird seitdem von einer kleinen Gruppe von Hauptentwicklern und vielen Beiträgen einzelner Entwickler getragen.<ref>{{Internetquelle |titel=Contributors to tesseract-ocr/tesseract |url=https://github.com/tesseract-ocr/tesseract/graphs/contributors |hrsg=GitHub |sprache=en |abruf=2023-01-03}}</ref>

Seit Dezember 2018 kann Tesseract die OCR-Ergebnisse im standardisierten [[Analyzed Layout and Text Object|ALTO-Format]] ausgeben. Dieses Format ist insbesondere für Archive und Bibliotheken relevant, die Archivgut und historische Drucke nach den [[DFG-Praxisregeln Digitalisierung]] veröffentlichen möchten.<ref>{{Internetquelle |titel=DFG-Praxisregeln „Digitalisierung“ |url=https://www.dfg.de/formulare/12_151/12_151_de.pdf|hrsg=DFG | abruf=2023-01-03}}</ref>
Mit Förderung durch die [[Deutsche Forschungsgemeinschaft]] im Rahmen des Projektes ''OCR-D'' arbeitet die [[Universitätsbibliothek Mannheim]] seit 2018 daran, Tesseract für den Einsatz in der [[Retrodigitalisierung]] tauglich zu machen.<ref>{{Internetquelle |titel=Optimierter Einsatz von OCR-Verfahren – Tesseract als Komponente im OCR-D-Workflow |url=https://gepris.dfg.de/gepris/projekt/394264782 |hrsg=DFG |abruf=2023-01-03}}</ref>

Ende 2020 stellte das [[Internet Archive]] die automatisierte Texterkennung von [[FineReader|ABBYY FineReader]] auf Tesseract um<ref>{{cite web|author=Merlijn Wajer|url=https://archive.org/services/docs/api/ocr.html|title=OCR at the Internet Archive with Tesseract and hOCR|accessdate=2021-08-15|publisher=Internet Archive|language=en}}</ref> und verarbeitet damit mehr als 2 Millionen Seiten pro Tag.<ref>{{cite web|author=Merlijn Wajer|url=https://ia601807.us.archive.org/35/items/merlijn-wajer-presentation/merlijn-wajer-presentation-ocr.pdf|title=Internet Archive OCR Stack in 2021|accessdate=2021-08-23|publisher=Internet Archive|language=en}}</ref>

== Anwendung ==
Tesseract wird nach den unter [[Unix]] üblichen Konventionen auch unter Windows von der Kommandozeile aus gesteuert und hat folgendes Format:<ref name="readme">{{cite web | url=https://github.com/tesseract-ocr/tesseract#user-content-running-tesseract | title=Running Tesseract | accessdate=2018-11-12 | publisher=GitHub |language=en}}</ref>
tesseract ''imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]''
Tesseract liest das Bild im [[Tagged Image File Format]] (TIFF) ein und gibt den Text in die Ausgabedatei weiter. Ältere Versionen von Tesseract hatten keine eigene Layoutanalyse, waren also auf externe Software wie beispielsweise [[OCRopus]] angewiesen, um Textspalten auf einzelne Bilddateien zu verteilen. Aktuelle Versionen nutzen die Programmbibliothek [[Leptonica]] für die Analyse der Seitengestaltung, aber auch für die direkte Verarbeitung aller gängigen Bildformate.<ref>{{cite web | url=http://www.leptonica.com/recent-pubs.html | title=Selected papers on image processing and image analysis | accessdate=2016-04-19 | date=2007-07-07 | language=en}}</ref>

Eine automatisierte Verarbeitung lässt sich zum Beispiel mit [[ImageMagick]] verwirklichen.

Tesseract kann ab Version 3 die Scan-Ergebnisse im [[hOCR (Standard)|hOCR-Format]] speichern, wodurch die Seitengestaltung erhalten bleibt.<ref>{{cite web|url = http://adnanvatandas.wordpress.com/2010/10/28/update-tesseract-3/|title = Tesseract 3 und hOCR|accessdate = 2010-10-28|last = Vatandas|first = Adnan|authorlink = |year = 2010|month = Oktober|language=de}}</ref> Auch durchsuchbare [[Portable Document Format|PDF-Dateien]] lassen sich mit dieser Version direkt erzeugen.<ref>{{cite web | url=https://github.com/tesseract-ocr/tesseract/wiki | title=Tesseract Wiki |language=en| accessdate=2015-11-07}}</ref>

Es existiert eine Reihe Software, die Tesseract als Backend einbindet.
Tesseract kann als Zeichenerkennungsmodul in OCRopus verwendet werden, das zusätzlich noch Analyse der Dokumentgliederung und statistische Sprachmodelle bietet.<ref>{{cite web| title = ocropus - Google Code| url = http://code.google.com/p/ocropus/|language=en| accessdate = 2016-04-19| archiveurl = https://web.archive.org/web/20080514043655/http://code.google.com/p/ocropus/| archivedate = 2008-05-14}}</ref>
Allerdings benutzt OCRopus ab Version 0.4 standardmäßig ein eigenes Zeichenerkennungsmodul basierend auf neuronalen Netzen<ref>{{cite web | url=https://groups.google.com/forum/#!msg/ocropus/thYjUERaUro/zNsTMhoIxJYJ | title=OCRopus doesn’t even link with Tesseract by default|language=en| accessdate=2016-04-19 | author= | date=2009-08-17}}</ref>. In früheren Versionen wurde Tesseract als Standardmodul in OCRopus verwendet. Neben weiteren möglichen Backends kann es in der Desktop-OCR-Lösung ''[[OCRFeeder]]'' zur Zeichenerkennung genutzt werden. Mittels hocr2pdf dient es zum Beispiel in dem [[Linux]]-basierten [[Dokumentenmanagement]]-System ''[[Archivista]]'' der Erzeugung einer Text-Schicht zu rastergraphischen Abbildern eingescannter Papierdokumente, um diese maschinell durchsuchbar zu machen.

== Verfügbarkeit ==
Tesseract wird als [[freie Software]] auch im Quelltext unter den Bedingungen von Version 2.0 der [[Apache-Lizenz]] (Apache Software License, ASL) verbreitet. In praktisch allen gängigen [[Linux-Distribution]]en kann es direkt aus den Standard-Paketquellen installiert werden.<ref name="LU" /><ref>{{cite web | url=https://packages.debian.org/de/sid/tesseract-ocr | title=Debian - Informationen über Paket tesseract-ocr in sid|language=de| accessdate=2016-04-19}}</ref><ref>{{cite web | url=http://packages.ubuntu.com/search?tesseract-ocr | title=Debian-Paketsuche|language=de| accessdate=2016-04-19}}</ref><ref>{{cite web | url=https://apps.fedoraproject.org/packages/tesseract | title=Package tesseract | accessdate=2016-04-19 | language=en | archiveurl=https://web.archive.org/web/20160125210746/https://apps.fedoraproject.org/packages/tesseract | archivedate=2016-01-25 | offline=0 | archivebot=2024-05-26 20:03:13 InternetArchiveBot }}</ref><ref>{{cite web | url=http://software.opensuse.org/search?q=tesseract | title=openSUSE-Paketsuche|language=de| accessdate=2016-04-19}}</ref> Installationsprogramme für Windows gibt es von mehreren Anbietern.<ref>{{cite web | url=https://tesseract-ocr.github.io/tessdoc/Downloads.html | title=Downloads | publisher=GitHub | work=Tesseract documentation | language=en | accessdate=2021-02-02}}</ref>

Tesseract dient u. a. bei folgenden Programmen als Basis der Texterkennung:

* '''[[Apache Tika]]''' verwendet Tesseract, um Text in Bilddateien zu finden.<ref>{{cite web|url=https://cwiki.apache.org/confluence/display/tika/TikaOCR|date=2019-03-26|publisher=Apache Tika|title=TikaOCR|language=en|accessdate=2019-12-02}}</ref>
* '''[[bitfarm-Archiv]]''' benutzt im gleichnamigen Open-Source DMS Tesseract zusammen mit MySQL für eine schnelle Volltextsuche mit Positionsmarkierung in eingescannten Dokumenten.<ref>{{Internetquelle |url=https://www.bitfarm-archiv.de/downloads/infos/OCR-Leistung-im-Vergleich-Tesseract-Omnipage.pdf |titel=OCR-Leistung-im-Vergleich-Tesseract-Omnipage.pdf |sprache=de |abruf=2023-07-25}}</ref>
* '''[[Capella (Software)|capella-scan]]''' ist eine kommerzielle Software, die Scans von [[Partitur]]en verarbeitet und dabei Texte mit Hilfe von Tesseract erkennt.<ref>{{cite web|url=https://www.capella-software.com/de/index.cfm/produkte/capella-scan/neuerungen/|publisher=capella-Software AG|title=Neuerungen von capella-scan|accessdate=2021-11-24}}</ref>
* '''gImageReader''' ist ein freies Frontend für Tesseract und für viele Linux-Distributionen verfügbar
* '''[[iText]] pdfOCR''' erkennt Text in gescannten PDF-Dateien.<ref>{{Internetquelle |url=https://itextpdf.com/de/products/itext-7/pdfocr |titel=pdfOCR |hrsg=iText Group |abruf=2021-11-10}}</ref>
* '''[[PDF24 Creator]]''' ist ein Windows-Programm zum Erzeugen von PDF-Dateien.<ref>{{Internetquelle |url=https://de.pdf24.org/pdf-creator-changelog.html |titel=PDF Creator Changelog |hrsg=geek software GmbH |abruf=2021-02-18}}</ref>
* '''[[VueScan]]''' ist eine Software zum [[Scanner (Datenerfassung)|Scannen]] und zur [[Rohdatenformat (Fotografie)|Rohdaten]]-Bildbearbeitung, die Tesseract zur Texterkennung (OCR) verwendet.<ref>{{Internetquelle |url=https://www.hamrick.com/vuescan/vuescan.htm |titel=VueScan Release Notes |sprache=en |abruf=2024-07-24}}</ref>

== Siehe auch ==
* [[CuneiForm]]

== Weblinks ==
{{Commonscat|Tesseract (software)}}
* [https://wiki.ubuntuusers.de/tesseract-ocr/ Kurzanleitung], ubuntu Deutschland e. V.
* {{Internetquelle
|autor=Ray Smith
|url=http://tesseract-ocr.googlecode.com/files/TesseractOSCON.pdf
|titel=Tesseract OCR Engine
|titelerg=Vortrag über die Geschichte von Tesseract, OSCON 2007
|werk=
|hrsg=Google Inc.
|datum=2007
|format=PDF
|sprache=en
|archiv-url=https://web.archive.org/web/20160819190257/http://tesseract-ocr.googlecode.com/files/TesseractOSCON.pdf
|archiv-datum=2016-08-19
|offline=1
|abruf=2020-02-22
|abruf-verborgen=1}}

== Einzelnachweise ==
<references />

[[Kategorie:Freie Texterkennungssoftware]]
[[Kategorie:Linux-Software]]
[[Kategorie:MacOS-Software]]
[[Kategorie:Windows-Software]]
[[Kategorie:Freie Büroanwendung]]

Tesseract (Software) - Versionsgeschichte

imported>Paintdog: /* Verfügbarkeit */ gImageReader gelistet