Tesseract OCR で画像から文字を取り出す（Macでの導入方法あり）

初めに

OCR（光学文字認識）を試してみたかったので、無料で使える Tesseract OCR を触ってみました
Mac での導入方法に加えて、ちょっと解説も挟んでます

実行環境

• Mac OS：Ventura 13.6
• Python：3.11.7
• Tesseract：5.3.4

Tesseractのインストール

Homebrew でインストールする

$ brew install tesseract

インストールできたことを確認しておく

$ tesseract --version 
tesseract 5.3.4
 leptonica-1.84.1
  libgif 5.2.1 : libjpeg 8d (libjpeg-turbo 3.0.0) : libpng 1.6.40 : libtiff 4.6.0 : zlib 1.2.11 : libwebp 1.3.2 : libopenjp2 2.5.0
 Found NEON
 Found libarchive 3.7.2 zlib/1.2.11 liblzma/5.4.4 bz2lib/1.0.8 liblz4/1.9.4 libzstd/1.5.5
 Found libcurl/8.1.2 SecureTransport (LibreSSL/3.3.6) zlib/1.2.11 nghttp2/1.51.0

学習済みモデルのインストール

扱える言語の確認

下記のコマンドで Tesseract OCR エンジンがサポートしている言語のリストを確認できる

$ tesseract --list-langs 
List of available languages in "/opt/homebrew/share/tessdata/" (3):
eng
osd
snum

• eng：英語のテキスト認識
• osd：テキストの方向とスクリプトの検出
• snum：サードパーティのシリアルナンバー識別？
  • これは Tesseract が提供するモデルではなく Homebrew で提供されるツールにだけ存在するよう
  • 参考 : https://github.com/tesseract-ocr/tesseract/issues/2415

日本語を扱えるようにする

公式が提供する学習済みモデルには下記の3種類があり、速度と精度のどちらを重視するかで選択する

	速度	精度
tessdata	普通	普通
tessdata-best	遅い	高い
tessdata-fast	速い	低い

詳細は公式ドキュメントを参照 https://tesseract-ocr.github.io/tessdoc/Data-Files.html
今回は精度を重視したいので tessdata-best を使用する

まずはモデルを配置するディレクトリに移動

# tesseract --list-langs の実行時に表示されたパスを指定する
$ cd /opt/homebrew/share/tessdata/

次にjpn.traineddata と jpn_vert.traineddata をダウンロードする
後者は縦書きのテキスト用らしい

$ curl -LO https://github.com/tesseract-ocr/tessdata_best/raw/main/jpn.traineddata
$ curl -LO https://github.com/tesseract-ocr/tessdata_best/raw/main/jpn_vert.traineddata

jpn と jpn_vert が追加されたことを確認する

$ tesseract --list-langs
List of available languages in "/opt/homebrew/share/tessdata/" (5):
eng
jpn
jpn_vert
osd
snum

文字認識を実行する

コマンドの使い方

$ tesseract <input_image> <output_text_file> -l lang_code

第1引数：文字認識させる画像ファイルのパス
第2引数：結果を出力するファイル名。-を指定すると標準出力される
第3引数：言語の指定

横書き

この画像で文字認識させてみる（Wikipediaより）

$ tesseract python.png - -l jpn

Estimating resolution as 170
概要 [編集 ]

Python は 1991 年 に グイ ド ・ ヴ ァ ン ・ ロ ッ サ ム に より 開発 され た プロ グラ

最初 に リリース され た Python の 設計 哲学 は 、 ホ ワイ トス ペー ス ( オ フサ イ
ドル ー ル ) の 顕著 な 使用 に よっ て コー ド の 可読性 を 重視 し て いる 。 そ の 言語
構成 と オブ ジェ クト 指向 の アプ ロー チ は 、 プ ログ ラマ が 小 規模 な プロ ジェ
クト か ら 大 規模 な プロ ジェ クト まで 、 明 確 で 論理 的 な コー ド を 書く の を 支
援 す る こと を 目的 と し て いる 。

2行目の「ミング言語である」が抜けていたり、所々に半角スペースが入っているが文字は正しく認識できている

縦書き

今度はこの画像で文字認識させてみる

$ tesseract akeome.png - -l jpn_vert    

Estimating resolution as 233
あけまして
おめでとう
ございます

綺麗に文字認識している

英語

英語の文字認識精度も確かめてみる

$ tesseract python_eng.png - -l eng
Estimating resolution as 140
Python is a high-level, general-purpose programming language. Its design
philosophy emphasizes code readability with the use of significant
indentation.21)

さすがに精度良く認識できている

イレギュラーなパターンを試してみる

崩れた字体

$ tesseract akeome_pop.png - -l jpn_vert

何も出力されなかった
やはり字体が崩れていると文字として認識されないらしい

間違った言語指定

日本語の文字を英語として文字認識させてみる

$ tesseract python.png - -l eng
Estimating resolution as 170
BZ we
Pythonig 99IFICY1 Ks Sry Dy balck MSN ZOTS
SVPEBCHS.

BMC V—AehiePythonoMatasr ls, MIT KAN-A(A TUL
RIL J) ORR EBC E> TI KOM RMEEHRULTWIS. EO
MREAT ILI MBMOPFO—-Fld, TAF SV AUS TOYT
DRDSARMUETOL II HEC AMER I—KEBK DEK
MISTLEBWELTHS,

まるでデタラメな文字列になった。英語で指定しているので当然か

では、逆ならどうか

$ tesseract python_eng.png - -l jpn
Estimating resolution as 140
Python is a high-level, generalpurpose programming language. its design
philosophy emphasizes code readability with the use of significant
indentation.B1

きちんと英語を認識できている

言語指定をしなかった場合

$ tesseract python.png -    
Estimating resolution as 170
BZ we
Pythonig 99IFICY1 Ks Sry Dy balck MSN ZOTS
SVPEBCHS.

BMC V—AehiePythonoMatasr ls, MIT KAN-A(A TUL
RIL J) ORR EBC E> TI KOM RMEEHRULTWIS. EO
MREAT ILI MBMOPFO—-Fld, TAF SV AUS TOYT
DRDSARMUETOL II HEC AMER I—KEBK DEK
MISTLEBWELTHS,

$ tesseract python_eng.png -       
Estimating resolution as 140
Python is a high-level, general-purpose programming language. Its design
philosophy emphasizes code readability with the use of significant
indentation.21)

英語に指定した時と同じ結果になった
おそらくデフォルトの言語が英語になっているからだろう

以上から、日本語と英語が混在している画像で文字認識するなら、日本語のモデルを選んだ方がいいと思われる

終わりに

英語ならば綺麗に文字認識ができるが、日本語はやや難あり
tessdata-best はモデルの再トレーニングも可能らしいので、もっと精度の良い学習モデルにできれば活用の幅は広がりそう

ただ、今のままでも所々に入ってしまう半角スペースを自動で消す処理を挟めば違和感なく読める文章になるはず
今度アプリ化してみたい

参考記事