OCR？

光学式文字読取装置。手書き文字や印字された文字を光学的に読み取り、前もって記憶されたパターンとの照合により文字を特定し、文字データを入力すること。
装置やソフトがありますね

tesseract-ocrとは？

Tesseract-OCRはHPが開発し現在はGoogleが公開しているオープンソースのOCRエンジン
有名ですね。

試してみる！

インストール環境
CentOS release 6.7 (Final)
gccのバージョンが4.8以上
インストールしたバージョン
leptonica-1.72
tesseract 3.05.00dev

必要なライブラリをインストール

yum install autoconf automake libtool
yum install libpng-devel libjpeg-devel libtiff-devel zlib-devel
yum install libicu-devel
yum install pango-devel

Training toolsのmakeでICU(文字コード変換ライブラリ)が必要になるので
makeが通ることが確認できたバージョン56rcを
ソースからインストールする。

cd /usr/local/src/
sudo wget http://download.icu-project.org/files/icu4c/56rc/icu4c-56_rc-src.tgz
tar zxf icu4c-56_rc-src.tgz
cd icu/source/
./configure
make
make install

必要ならsudoをつけましょう

Leptonica という画像解析ライブラリも必要

tesseract-ocrと辞書のインストール

最新をインストール

yum install libicu-devel
cd /usr/local/src
git clone https://github.com/tesseract-ocr/tesseract.git
cd tesseract
./autogen.sh
./configure
make
sudo make install
sudo ldconfig

make training
sudo make training-install

export TESSDATA_PREFIX=/usr/local/src/tesseract/

tesseract-ocrの最新版はLeptonicaが1.72以上でないとconfigureで失敗します

またtraining toolsを用意するには
icuとlibicu-develとpango-develをインストールしている必要があります。(最初に入れましたね）
またgccがC++11をサポートしてないと

configure: WARNING: Training tools WILL NOT be built because of missing c++11 support.

というWARNINGがでてtrainingをmakeできません。
ですのでgccはC++11をサポートしている4.8以上のバージョンが必要になります
http://cpprefjp.github.io/implementation-status.html

traineddataのコピー

せっかくtraining toolsを入れたので、
https://github.com/tesseract-ocr/langdata
からtraineddataを作りたいところですが、
なぜか私の環境ではファイル生成に失敗したので仕方なく
https://github.com/tesseract-ocr/tessdata
からほしいtraineddataもってきます

eng.traineddata
jpn.traineddata

を下記のフォルダにコピーしました

/usr/local/tesseract/tessdata/

バージョン確認

$ tesseract -v                                         
tesseract 3.05.00dev                                                            
 leptonica-1.72                                                                 
  libjpeg 6b (libjpeg-turbo 1.2.1) : libpng 1.2.49 : libtiff 3.9.4 : zlib 1.2.3

簡単な使い方

tesseract 画像ファイル名出力ファイル名 -l 言語

画像はここで作成しました
http://www.nin-fan.net/tool/string_image.html

【漢】ゴシック体

結果

$ tesseract test.png out -l jpn
これはテス卜です

おお
卜..

英字

結果

$ tesseract hello.jpg out -l eng
HELLO

good

解析のしやすさ

日本語は、パラメータの調整や画像処理の工夫で
解析しやすい方法をとる必要があると思います。

英字や数字限定にすれば、もっと解析の質は上がりますが、
斜め文字だと誤認識が多いです。

他のライブラリ

nhocr

日本製で、日本語の読み取り精度は上の tesseract-ocr より良いらしい

参考

今はgithubにソースがある
https://github.com/tesseract-ocr/tesseract

学習させられる
http://hadashi-gensan.hatenablog.com/entry/2014/01/15/135316
http://tips.recatnap.info/wiki/Tesseract-OCR%E3%81%AE%E5%AD%A6%E7%BF%92%EF%BC%88%E8%AD%98%E5%AD%97%E7%8E%87%E3%82%92%E3%81%82%E3%81%92%E3%82%8B%EF%BC%89#combine_tessdata.E3.81.AE.E5.AE.9F.E8.A1.8C

ios
https://getpocket.com/a/read/356673238