Название говорит, что мне действительно нужно банкомат. По сути, я создал набор инструментов OCR на основе Tesseract и ImageMagick. Мне удалось довести его до такой степени, что выходной текст очень последовательный. Я использую это для распознавания некоторых старых жестких субтитров и превращения их в мягкие субтитры SRT. Чтобы сделать снимки экрана для ввода изображения, я использую модифицированную версию старого сценария оболочки, который я нашел и переписал в возрасте go. Те получают подачу во второй скрипт, который обрабатывает их в форму, читаемую imagemagick. На данный момент я мог бы легко выполнить оставшуюся часть работы вручную, но я бы хотел автоматизировать все, кроме последнего прохода корректуры, если это возможно.
Пример текста (из текущего проекта)
03:04.418 Their parents have always written letters thanking us. =
03:05.018 Their parents have always written letters thanking us. =
03:05.619 Their parents have always written letters thanking us. =
03:06.219 Their parents have always written letters thanking us. =
03:06.820 Their parents have always written letters thanking us. =
03:07.421 Their parents have always written letters thanking us. =
03:08.021 Their parents have always written letters thanking us. =
03:08.622 This seminary was highly reeemmended. | am relieved te leave her in your care. =
03:09.222 This seminary was highly reeemmended. | am relieved te leave her in your care. =
03:09.823 This seminary was highly reeemmended. | am relieved te leave her in your care. =
03:10.424 This seminary was highly reeemmended. | am relieved te leave her in your care. =
03:11.024 This seminary was highly reeemmended. | am relieved te leave her in your care. =
03:11.625 This seminary was highly reeemmended. | am relieved te leave her in your care. =
03:12.225 In additien te all the previeus requests se far..."
03:12.826 In additien te all the previeus requests se far..."
03:13.427 In additien te all the previeus requests se far..."
03:14.027 In additien te all the previeus requests se far..."
03:14.628 In additien te all the previeus requests se far..."
В основном я хочу сопоставить текст и извлечь метки времени из первой и последней строк и установить их в формате srt
1
00:03:04,418 --> 00:03:08,021
Their parents have always written
letters thanking us. =
2
00:03:08,622 --> 00:03:08,622
This seminary was highly reeemmended
| am relieved te leave her in your care. =
3
00:03:12,225 --> 00:03:14,628
In additien te all the previeus requests se far..."
На данный момент я согласен с тем, что это отдельный скрипт.
В основном sub.txt в sub.srt out. Затем сделайте проход корректуры. Теперь в обнаруженном тексте есть немного Изменчивости, но это минимально. Меня иногда определяют как | или [, и это иногда смешивает o и e в некоторых нечетных угловых случаях. Редактировать 2 февраля 2020 года: я сделал некоторые изменения и настройки, чтобы получить то, что я хотел. И МОЙ сценарий оболочки и Ivans. Я удалил пустые подстроки, созданные сценарием ivans и моим, а также.
ОБНОВЛЕННАЯ обработка и сценарий ocr BTW
#!/bin/bash -x
cd "$1"
mkdir ocr
for f in *.png ;
do
base="$(basename "$f" | cut -d "." -f 1,2)"
echo "$base"
if [[ -z "$2" ]] ;
then
tran="$(convert "$f" -separate -average -crop +0+720 -threshold 11% -fill black -draw 'color 700,10 floodfill' +repage ocr/"$base".png)"
else
tran="$(convert "$f" -separate -average -crop +0+720 -negate -threshold 15% -fill white -draw 'color 700,10 floodfill' +repage ocr/"$base".png)"
fi
$tran
cd ocr
magick mogrify -pointsize 50 -fill blue -draw 'text 1400,310 "L" ' +repage "$base".png
cd ..
done
cd ocr
for i in *.png ;
do base2="$(basename "$i" | cut -d "." -f 1,2 | cut -d ":" -f 2,3)"
tesseract "$i" stdout -c page_separator='' --psm 6 --oem 1 --dpi 300 | { tr '\n' ' '; tr -s [:space:] ' '; echo; } >> text.txt
echo "$base2"" " >> time.txt
done
awk '{printf ("%s", $0); getline < "text.txt"; print $0 }' time.txt >> out.txt
sed -i 's/|/I/g' out.txt
sed -i 's/\[/I/g' out.txt
#sed -i 's/L//g' out.txt
#sed -i 's/=//g' out.txt
sed -i 's/.$//' out.txt
sed -i 's/.$//' out.txt
while read line ; do
sed "/[[:alpha:]]/ !d" >> sub.txt
done <out.txt
exit
Создание детали синим цветом L должно гарантировать, что каждая строка имеет что-то в нем для сопоставления с отметкой времени.
ОБНОВЛЕННЫЙ СКРИПТ ИВАНА СТО
#!/bin/bash -x
sub="$1" # path to sub file
OLD=$IFS # remember current delimiter
IFS=$'\n' # set delimiter to the new line
raw=( $(cat $sub) ) # load sub into raw array
IFS=$OLD # set default delimiter back
reset () {
unset raw[0] # remove 1-st item from array
raw=( "${raw[@]}" ) # rearange array
}
output () {
printf "00:$time1 --> 00:$time3\n$text1\n\n"
}
speen () {
time3=$time2
reset
test=( "${raw[@]::2}" ) # get two more items
test2=( ${test[0]} ) # split 2-nd item
time2=${test2[0]} # get 2-nd timing
text2=${test2[@]:1} # get 2-nd text
# if only one item in test than this is the end, return
[[ "${test[1]}" ]] || { printf "00:$time1 --> 00:$time2\n$text1\n\n"; raw=; return; }
# compare, speen more if match, print ang go further if not
[[ "$text1" == "$text2" ]] && speen || output
}
N=1 # set counter
while [[ "${raw[@]}" ]]; do # loop through data
echo $((N++)) # print and inc counter
test1=( $raw ) # get 1-st item
time1=${test1[0]} # get 1-st timing
text1=${test1[@]:1}
# get 1-st text
speen
done
Я только что добавил третью переменную времени, чтобы сохранить старое значение time2 как time3. По сути, устранение незаполненной временной метки нарушило Его соответствие. Я понял, что time2 была первой несоответствующей отметкой времени. Поэтому мне нужно было сохранить предыдущий из последнего l oop. Таким образом time3=$time2 Затем оставьте значение time2. Затем используйте старое время2 (теперь время3), чтобы напечатать подстроку.