More than 3 years have passed since last update.

OCRエンジンのTesseract（テッセラクト）を用いて画像ファイル内のテキストを抽出してみた

Last updated at 2020-07-28Posted at 2020-07-28

###背景
画像ファイル（帳票データのスキャン）から、Tesseract（テッセラクト）を用いて、テキストデータをサクッと抽出できたので、備忘録として、整理した。

Tesseract（テッセラクト）は、日本語にも対応したOCRエンジン
オープンソースでライセンス（関連記事1．）は「Apache License 2.0」ということで、商用利用も可能
Tesseract 4 からは、RNN (Recurrent Neural Network) を拡張したLSTM(Long short-term memory)をベースとしたOCRエンジン（AI-OCR）も搭載されており、これを利用することで、抽出精度も期待できる（と思う）
サポート言語は、『tesseract/doc/tesseract.1.asc』から数えたところ、117個存在した（2020/7/25時点）

###１．導入

最初に、『tesseract-ocr/tesseract』を参照
その中で、Window環境においては、参照先からリンクされている Tesseract at UB Mannheim の older versions から、最新（v5）の安定版用（tesseract-ocr-w64-setup-v5.0.0.20190623.exe）のインストーラーをダウンロード
その後の作業は、『Tesseract OCR をWindowsにインストールする方法（関連記事2.』）を参考に実施

###2．実行

実行においては、テストデータとして、【エクセル・マクロ】VBA＋OCRで画像内のテキストを抽出するで紹介されている、テスト画像データを活用
実行に先立って、実行用に『PythonでOCRを実行する方法（関連記事3．）』を参考に、pythonコードを作成
pythonからtesseractを利用するには、PyOCRパッケージが必要
このパッケージを利用することで、よりテキストの抽出精度が向上（ゴミ削除）が可能（のようである）
実行結果を以下に記載

C:\Users\xxx\work>python ocr_card.py test_data_3.png
画像上に記載されている文字列をプログラムで解析し、テキストだけを文字列として取得することが可能です!今回は、間料です友に 偽え、それをりの若六は見ふめる、をんな文字認識方法を紹介しだいと思います。
画像上に記載されている文字列を
プログラムで解析し、テキストだ

けを文字列として取得することが

可能です!

今回は、間料です友に偽え、それ
をりの若六は見ふめる、をんな文
字認識方法を紹介しだいと思いま
す。

さらに、『【Pyocr+TesseractOCR】競馬新聞の活字化；精度向上♬（関連記事4．）』を参考に、画像データのサイズを拡大
この結果、少なくとも空白行が除去されていた

C:\Users\xxx\work>python ocr_card.py test_data_3_mod.png
画像上に記載されている文字列をプログラムで解析し、テキストだけを文字列として取得することが可能です!今回は、和科料て考醤 に偽え、それをりの若病は見人ふめる、才んな文字認識方法を紹介しだいと思います。
画像上に記載されている文字列を
プログラムで解析し、テキストだ
けを文字列として取得することが
可能です!

今回は、和科料て考醤に偽え、それ
をりの若病は見人ふめる、才んな文
字認識方法を紹介しだいと思いま
す。

その他、Tesseract の理解には、『八谷大岳の覚え書きブログ（関連記事5．）』が参考になる
また、PDFファイルから画像データを抽出して保存（変換）するには、『PythonでPDFを画像ファイル（JPEG、PNG）に変換する方法（関連記事6．）』が参考になる

###3．考察

明朝フォント、ゴシックフォントにおいては、正しく画像内のテキストが抽出できている
その他フォントでは、誤抽出が目立っている
このことから、他の日本語フォントでは、おそらく学習データがなくトレーニングされていないと考えられる
　⇒　したがって、画像原本内で利用されているフォントを学習させることで、誤抽出の削減が期待できる
また、画像を拡大することで、最初の実行結果である空白行（誤抽出）の削除に繋がっている
　⇒　したがって、画像データを少しでも拡大することで、より誤抽出の削減に期待できる

###4．精度向上
では、どうやって精度を上げていくか？

・独自に学習データを作成して学習させる

素人的に考えられる方法としては、次のとおり。しかし、こういったことができるのか、ツール（今回は、Tesseract（テッセラクト））を調べる必要がある。
（１）手書きの場合 ⇒ 画像原本内の手書き文字の特徴（クセ）を反映した学習データを準備し学習させる。
・『Tesseract 4.1にLSTMを使って手書き文字を再学習させる（関連記事7．）』
・『【23個掲載】OCR(光学式文字認識)・手書き文字認識データセットまとめ（関連記事8．）』

（２）画像原本内で使われているフォントを学習データとして用意して、学習させる

・すぐにでもできる方法

『[【SikuliX】OCRの日本語読み取り精度を上げる３つの方法] (https://valmore.work/3way-increase-ocr-accuracy/)（関連記事9．）』に記載されている、次の3つを試してみることで精度向上が期待できる（と思われる）
（1）適切な文字サイズに画像を拡大して読み取る
（2）できるだけ高解像度の画像を用意する
（3）ブラックリスト、ホワイトリストを設定する

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up