Mountain View (USA) – Google ha aggiunto alla propria ragguardevole collezione di software gratuiti un'applicazione, chiamata Tesseract, per il riconoscimento ottico dei caratteri ( OCR ). Si tratta di un programma utilizzabile per convertire il testo contenuto in un'immagine, tipicamente ottenuta per mezzo di uno scanner, in caratteri comprensibili ad un elaboratore di testi.
Il motore alla base di Tesseract è stato originariamente creato da HP , che a partire dal 1995 ne ha però cessato lo sviluppo: questo nonostante all'epoca fosse considerato uno dei migliori software OCR del momento. Circa due anni fa HP ne ha donato il codice alla University of Nevada di Las Vegas (UNLV), che da allora è impegnata a correggerne i bug. Da alcuni mesi Google ha assunto il patrocinio dell'iniziativa facendone un progetto open source ed ora afferma che il programma “è sufficientemente stabile per essere ripubblicato come open source”.
Tesseract soffre però ancora di alcune importanti limitazioni : la prima è il supporto della sola lingua inglese (niente correttore ortografico italiano, per intendersi); la seconda è l'incapacità di conservare il layout delle pagine (come colonne e tabelle); la terza è la scarsa capacità di riconoscere testi stampati su fogli grigi o a colori (in altre parole, dà il massimo solo con il classico testo nero su bianco). Su stessa ammissione di Google, Tesseract è di gran lunga meno accurato dei migliori pacchetti di OCR oggi in commercio .
Va del resto considerato che, sebbene gli sviluppatori della UNLV abbiano rattoppato il codice qui e là, la tecnologia alla base di Tesseract è rimasta sostanzialmente la stessa di dieci anni fa.
Google afferma però che Tesseract ” è assai più accurato di qualsiasi OCR open source in circolazione” “, inoltre la sua licenza permette a chiunque di migliorarlo ed integrarlo in altre applicazioni: il che non è poco.
La grande G ha promesso che continuerà a occuparsi di questo software, e a tal scopo sta assumendo esperti in tecnologie legate a quella OCR.
Che Google sia interessata all'OCR non sorprende : BigG sta facendo grande uso di questa tecnologia per la digitalizzazione dei libri (vedi Google Book Search ), inoltre, come motore di ricerca, è particolarmente interessata ad accelerare la transizione di tutto lo scibile umano verso formati digitali indicizzabili dai propri spider.
Attualmente Tesseract è disponibile solo sotto forma di codice sorgente, scaricabile da questa pagina di SourceForge.net.
Google rilascia un OCR open source
