JavaでOCR（画像から文字認識）

やること

OSSのtess4jを利用して画像からテキストを取得する

Maven

mvnrepositoryからPOM.xmlへコピペ

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.3.1</version>
</dependency>

tess4j-4.3.1.jarがDLされる

Maven使えない場合はここから

日本語認識ファイル

GitHubのリポジトリから日本語の認識ファイル(jpn.traineddata)を取得

ソース

OcrTrial.java

import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import javax.imageio.ImageIO;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

public class OcrTrial {
	public static void main(String[] args) throws IOException, TesseractException {
		// 画像を読み込む
		File file = new File("C:\\work\\INPUT.JPG");
		BufferedImage img = ImageIO.read(file);

		ITesseract tesseract = new Tesseract();
		tesseract.setDatapath("C:\\work"); // 言語ファイル（jpn.traineddata））の場所を指定
		tesseract.setLanguage("jpn"); // 解析言語は「日本語」を指定

		// 解析
		String str = tesseract.doOCR(img);

		// 結果
		System.out.println(str);
	}
}

INPUTにした画像ファイル

出力された結果

まとめ

間違いはここくらい
〇（ピクトグラム）
×　( ピ ビ ク ト グ ラ ム )

はっきり文字として判別できる画像であれば認識率は高そう

次回

• 色々な画像を試してみる
• グレースケール
• Class Tesseractの関数を理解し使ってみる