Tesseractとpytesseractで画像から文字を読み取る

画像から文字を読み取るには、OCR（Optical Character Recognition）技術を使用します。

PythonでOCRを実装するためには、TesseractというオープンソースのOCRエンジンと、それをPythonで使えるようにしたライブラリであるpytesseractを使用します。

事前準備

Tesseractのインストール

以下からTesseractをインストール。

Windows: https://github.com/UB-Mannheim/tesseract/wiki
macOS: brew install tesseract
Linux: sudo apt install tesseract-ocr

■ 環境変数にパスを入れる。

Windowsの場合はデフォルト以下

C:\Program Files\Tesseract-OCR

■ 日本語の学習データ（jpn.traineddata）を配置する

Tesseractの日本語の学習データ（jpn.traineddata）は以下。

ダウンロード後、jpn.traineddata ファイルを Tesseract-OCR\tessdata フォルダに配置する。

Windowsの場合はデフォルト以下

C:\Program Files\Tesseract-OCR\tessdata

pytesseractとPillowをインストール

以下のコマンドを実行。

pipコマンド

pip install pytesseract Pillow

Pythonソースコード

以下のソースコードファイルを作成。

app.py

import sys
import pytesseract
from PIL import Image

def image_to_text(image_path):
    # 画像を読み込む
    img = Image.open(image_path)

    # TesseractでOCRを実行
    text = pytesseract.image_to_string(img, lang='jpn')

    return text

if __name__ == "__main__":
    if len(sys.argv) > 1:
        image_path = sys.argv[1]  # コマンドライン引数から画像ファイルのパスを取得
        text = image_to_text(image_path)
        print(text)
    else:
        print("Usage: python app.py <path_to_image>")

フォルダ構成

.
├─app.py
├─image.png
└─readme.md

使い方

以下のようにコマンドを実行する。

コマンド

コマンド

python app.py 【画像パス】

実行例

sample1.png

コマンド

python app.py ./sample1.png

出力

出力

テ ス ト テ キ ス ト

hogehogehogehogehogehogehogehoge

③②①①②③④⑤⑥⑥⑤④⑦⑧⑨⑨⑧⑦000

し ん ぶ ん し シ ン ブ ン シ 新 聞 紙 !!

馬 馬 馬 馬 馬 馬 馬 馬

騙 騙 監 騙 監 監 馬 監 騙 騙 騙 騙 騙 監 騙 監 監 馬 監 騙 馬 騙 騙 騙 監 騙 騙 監 騙 監 騙 馬 騙 騙 属 監  愚
騙 騙 騙 騙 騙

漢字の読み取り間違いが多々ある
数字は読み取ってはいるが、丸数字になってしまっている

色々試してみた

入力
出力

コマンド

画 像 認 識 と は 、 画 像 に 写 っ う て い る も の を 認 識 す る 技 術 で す 。 取 り
込 ま れ た 写 真 デ ー タ の 特 徴 を さ ま ざ ま な 学 習 機 で 分 析 し て 、 新 た
な 画 像 を 識 別 す る こ と が で き ま す 。 一 般 的 に コ ン ピ ュ ー タ は 画 像
を ビ ク セ ル の 集 合 体 と し て し か 認 識 で き ま せ ん が 、 実 際 に は 人
物 、 動 物 、 文 字 、 イ ラ ス ト と い っ た 情 報 や 意 味 が 含 ま れ て い ま

す 。 apacms

入力
出力

コマンド

Ryo ihi
@oome

0 ⑨ ミ

⑦②⑧ cweucs

団 0 ⑥ B
B ラ ォ ロ ー ロ ロ ー
ア プ リ M 発 が W 睦エ ン シ ー ア , コ ー テ ィ

ン グ 、 更 痒 輝 、 エ ラ ー 触 ③ 等 に っ い て H 縛 し て
い ま す . 切 字 音 で ち ② う か る よ う ま CWB し ま

す . ⑨⑧⑨ 團 口 は 來 人 の 愚 見 で あ り 、 所 医 約 画 の
分 R 和 常 で は あ り ま せ ん 。

入力
出力

コマンド

フ ォ ロ ー 中 の タ グ ラ ォ ロ ー ぁ
crrs qmcr uay emoL naa Aes

mMmi ooee puce ja

入力
出力

コマンド

入力
出力

コマンド

デ ィ ー プ ラ ー ニ ン グ ( 深 履 学 習 ) と は 、 人 間 が 自 然 に 行 う タ ス ク を コ
ン ピ ュ ー タ に 学 習 さ せ る 機 棒 学 習 の 手 法 の ひ と つ で す 。 人 工 知 背
(AD の 急 速 な 発 展 を 支 え る 技 術 で あ り 、 そ の 進 歩 に よ り 様 々 な 分 野
へ の 実 用 化 が 進 ん で い ま す 。 近 年 開 発 の 進 ん で い る 自 動 運 転 車 に お
い て も カ ギ と な っ て い る の は 、 デ ィ ー プ ラ ー ニ ン グ で す 。 停 止 梶 譚
を 認 識 し た り 、 電 柱 と 人 間 を 区 別 し た り す る の も 、 デ ィ ー プ ラ ー ニ
ン グ が 可 能 に し て い る 技 術 と 言 え ま す 。 ま た 、 電 話 、 タ ブ レ ッ ト 、
テ レ ビ 、 ハ ン ズ フ リ ー ス ピ ー カ ー な ど の 音 声 認 識 に も 重 要 な 役 副 を
果 た し て い ま す 』 近 年 デ ィ ー プ ラ ー ニ ン グ が 注 目 を 集 め て い る の に
は 理 由 が あ り ま す 』。 そ れ は ほ デ ィ ー プ ラ ー ニ ン グ が 、 従 来 の 技 術 で は
不 可 能 だ っ た レ ベ ル の パ フ ォ ー マ ン ス を 達 成 で き る よ う に な っ て き
て い る か ら で す 。 り

ト

背景が白、文字が黒、きっちり並んでいる文字列だったら読み取れそう。

GitHub

今回の記事で紹介したソースコードをGitHubで公開しています。