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（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
関連記事
1.OSSのライセンスを理解する（「使用」と「利用」の違い、知っていますか？）
2.Tesseract OCR をWindowsにインストールする方法
3.PythonでOCRを実行する方法
4.【Pyocr+TesseractOCR】競馬新聞の活字化；精度向上♬
5.八谷大岳の覚え書きブログ
6.PythonでPDFを画像ファイル（JPEG、PNG）に変換する方法
7.Tesseract 4.1にLSTMを使って手書き文字を再学習させる
8.【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
9.【SikuliX】OCRの日本語読み取り精度を上げる３つの方法
10.Documentation of Tesseract OCR
11.tesseract-ocr/tesseract
12.PythonとTesseract OCRで文字認識
13.Tesseract 4.1にLSTMを使って日本語を再学習させる
14.甲骨文字で書かれた文章をOCRで読み取れるようにしてみる
15.文字認識エンジンTesseract OCRで学習
16.jTessBoxEditorでTesseractの学習データを作成する
17.Tesseract+PyOCRで簡易OCRを試してみる
18.PyOCRでTesseractを使う
19.罫線の無い 10 行 10 列の等間隔整列した文字の画像を大きくリサイズして ocr してみる(Python + Tesseract)
20.tesseractコマンドの使い方（Tesseract OCR 4.x）
21.tesseract のオプション PSM をいじってみた
22.Pythonで書くTesseract 4の基本的な使い方。APIとCLIからOCRを実行する方法