日本語OCRライブラリNHocrを利用してみる

NHocrは日本語用OCR(光学文字認識)用ライブラリ。

割と世界的に有名なtesseract-ocrより日本語の性能は良いということで使ってみることにした。
ちなみに、どちらもライセンスはApache License V2.0。

性能を評価してくれているブログ( http://g86.dbcls.jp/~yag/wordpress/archives/1351 )を見つけたのだけれど、これにインストールできなかったとかいてあるとおり、すんなりとはインストールできなかったのでインストールの仕方を書いておく。

./configureでのfailの解決

$ configure
checking for a BSD-compatible install... /usr/bin/install -c
checking whether build environment is sane... yes
checking for a thread-safe mkdir -p... ./install-sh -c -d
checking for gawk... no
checking for mawk... no
checking for nawk... no
checking for awk... awk
checking whether make sets $(MAKE)... yes
checking for gcc... gcc
checking whether the C compiler works... no
configure: error: in `/Users/aikawa/Downloads/nhocr-0.22':
configure: error: C compiler cannot create executables
See `config.log' for more details

config.logをみてみる。

config.log

...
configure:2898: checking whether the C compiler works
configure:2920: gcc -O3 --unroll-loops  -DDICDIR=\"${datarootdir}\"  conftest.c  >&5
clang: error: unsupported option '--unroll-loops'
configure:2924: $? = 1
configure:2962: result: no
...

となっているので、configureファイルから--unroll-loopsフラグを全て削除。

configure

+ test "x$CFLAGS" = "x" && CFLAGS="-O3"
+ test "x$CXXFLAGS" = "x" && CXXFLAGS="-O3"
- test "x$CFLAGS" = "x" && CFLAGS="-O3 --unroll-loops"
- test "x$CXXFLAGS" = "x" && CXXFLAGS="-O3 --unroll-loops"

makeでのfailの解決

$ make
...
In file included from makechar.cpp:18:
/usr/local/include/ft2build.h:56:10: fatal error: 'freetype/config/ftheader.h' file not found
#include <freetype/config/ftheader.h>
         ^
1 error generated.
...

となる。

sudo ln -s /usr/local/include/freetype2/freetype /usr/include/freetype

としてあげれば良い。

テスト

まずはテスト用画像の作成。とりあえず、この投稿をスクリーンショットでとったものを利用してみた。

nhocr.png

入力の形式はPBM/PGM/PPMのどれかということなので、convertを使ってpngから変換。

convert nhocr.png nhocr.pgm

性能テスト

$ NHOCR_DICDIR=dic nhocr/nhocr -block -o - nhocr.pgm
日ホ語OERライブラリHHOErを利用レてみる
H世ffは日本語用OEft光学丈宇認諦ユ用ライ7ラリ。
割と世界的に有括な±壁事Et%上\エ【よp日本語の性能は良いということ7使ってみ舌ことにした。
写なみに、 ヒ葦ちもライセンスはA叩Ch巳 LtC巳Ti3E V10。
性龍左綱して<れている7口7仁 リ上tyノ屯革fjd典\ij上<\gg/世M町阜\坤pfjye\ユ華ユ ユ左見っけたのだけれど、 これ
にインユト‐ル7葦なかコたとかいT講6と持p、 すん#pとはインユト一ル7葦堪か7たの7インユト一ルの仕方を\いて措<。

うーん、まずまず・・・？