ネタ元:
公式ページ等
参考になるページ等
日本語 OCR
Ubuntu 20.04.3 LTS
Windows
DPI 値の影響
公式ページ等 
- GitHub / tesseract-ocr / tesseract
- Tesseract documentation
参考になるページ等
- Wikipedia / Tesseract
- Qiita
- henjiganai / 2019-12-12: PythonとTesseract OCRで文字認識
- FukuharaYohei / 2019-05-14: TesseractをUbuntuにインストールしてPythonで使う
- tifa2chan
- 2018-10-30: tesseractを使ってみよう（初心者編）
- 2018-10-30: tesseractを使ってみよう�◆塀蘓桓塋圈�
日本語 OCR
基本は以下のコマンド。
<dpi> は画像に dpi が埋め込まれている場合は不要なようだが、埋め込まれてない場合は後述のように警告が出るようなので適切な値を設定すると認識率が改善する可能性がある。
DPI 値が埋め込まれてない画像に DPI 値(例えば 96 dpi)を埋め込みたい場合は以下のようにすれば良い。
ExifTool を使う場合
tesseract <src img file> <dst txt file> --lang jpn [--dpi <dpi>]<dst txt file> の拡張子が勝手に付与されるので .txt は省いておく必要がある。"stdout" または "-" の場合標準出力扱い。
<dpi> は画像に dpi が埋め込まれている場合は不要なようだが、埋め込まれてない場合は後述のように警告が出るようなので適切な値を設定すると認識率が改善する可能性がある。
DPI 値が埋め込まれてない画像に DPI 値(例えば 96 dpi)を埋め込みたい場合は以下のようにすれば良い。
ExifTool を使う場合
exiftool -{X,Y}Resolution=96 -ResolutionUnit=inches <dst.jpg>
exiftool -PixelsPerUnit{X,Y}=$((96*10000/254)) -PixelUnits=meters <dst.png>
ImageMagickを使う場合mogrify -density 96 -units PixelsPerInch <dst>または
convert -density 96 -units PixelsPerInch <src> <dst>参考:
- backport / 2019-01-28: ImageMagickでPNGファイルのdpiを変更する
Ubuntu 20.04.3 LTS
日本語用の language file としては以下の 2 つがあるようだ。
両者の違いは、前者はほぼ読んだまま認識されるのに対して、後者は1文字1文字スペースで区切った状態で認識されるようなので、基本的に前者を使っておけば問題なさそう。
- tesseract-ocr-jpn, tesseract-ocr-jpn-vert
- tesseract-ocr-script-jpan, tesseract-ocr-script-jpan-vert
両者の違いは、前者はほぼ読んだまま認識されるのに対して、後者は1文字1文字スペースで区切った状態で認識されるようなので、基本的に前者を使っておけば問題なさそう。
Windows
GitHub にある公式ドキュメントに pre-build binary へのリンクがあるが面倒そうなので、
Windows 10 で WSL 使えて特段 win32 にこだわる理由がないなら Ubuntu on WSL でやるのが吉だろう。
Windows 10 で WSL 使えて特段 win32 にこだわる理由がないなら Ubuntu on WSL でやるのが吉だろう。
DPI 値の影響
「Tesseract」でググった際、右上に表示された要約
を Firefox でスクショしたもので試してみた所、以下のような警告とエラーが出た。
エラーの方は領域の自動認識の問題みたいなので、保留。
警告は DPI が不正(=0)なので 70 を使うが、推定値は 162 みたいな事を言ってる。
ネタ元の @konamih 先生も言及されているが、DPI 指定が適切でないと認識率に悪影響が出る模様。
以下、比較
見ての通り、デスクトップ本来の解像度である 96 dpi が最も良さそうな結果となっている。
失敗している部分も少なくないが、このレベルの認識が OSS で出来るのは有り難い。
を Firefox でスクショしたもので試してみた所、以下のような警告とエラーが出た。
$ tesseract -l jpn Screenshot\ 2021-10-11\ at\ 16-40-17\ Tesseract\ -\ Google\ 検索.png ocr Tesseract Open Source OCR Engine v4.1.1 with Leptonica Warning: Invalid resolution 0 dpi. Using 70 instead. Estimating resolution as 162 Error in boxClipToRectangle: box outside rectangle Error in pixScanForForeground: invalid box Error in boxClipToRectangle: box outside rectangle Error in pixScanForForeground: invalid box Detected 14 diacritics
エラーの方は領域の自動認識の問題みたいなので、保留。
警告は DPI が不正(=0)なので 70 を使うが、推定値は 162 みたいな事を言ってる。
ネタ元の @konamih 先生も言及されているが、DPI 指定が適切でないと認識率に悪影響が出る模様。
以下、比較
DPI 無指定(= 70)
DPI 96
DPI 162 (DPI 無指定時に提示された推定値)
見ての通り、デスクトップ本来の解像度である 96 dpi が最も良さそうな結果となっている。
失敗している部分も少なくないが、このレベルの認識が OSS で出来るのは有り難い。
タグ
コメントをかく