tesseractを使ってみよう②（初心者編）

はじめに

前回、tesseractを使ってみよう（初心者編）では、tesseract 3系しかインストールができなかったので、今回は4系をインストールします。

環境は、Ubuntu 16.04 LTSです。Ubuntu 18.04 LTSなら多分4系が入るはずです。

インストール

古いのを削除

すでにインストール済みのモジュールがある場合は一旦削除します。
削除をしないと後の再インストールに失敗します。

$ sudo apt remove tesseract-ocr
$ sudo apt remove libtesseract-dev

再インストール

• 普通にインストールをすると、また3系しか入らないので、下記のサイトを参考に実行します。
  https://launchpad.net/~alex-p/+archive/ubuntu/tesseract-ocr?field.series_filter=xenial

sudo add-apt-repository ppa:alex-p/tesseract-ocr
sudo apt-get update

• そして、改めてインストール

$ sudo apt-get install tesseract-ocr libtesseract-dev libleptonica-dev

• 確認
  4系が入りました

$ tesseract -v
tesseract 4.0.0-rc4
 leptonica-1.76.0
  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.4.2) : libpng 1.2.54 : libtiff 4.0.6 : zlib 1.2.8 : libwebp 0.4.4 : libopenjp2 2.1.2
 Found AVX2
 Found AVX
 Found SSE

言語のインストール

• 日本語のインストールをします。二種類あります。
  vertがついているのは縦書き用のようです。

$ sudo apt install tesseract-ocr-jpn  tesseract-ocr-jpn-vert
$ sudo apt install tesseract-ocr-script-jpan tesseract-ocr-script-jpan-vert

• 確認
  

$ tesseract --list-langs
List of available languages (6):
Japanese
Japanese_vert
eng
jpn
jpn_vert
osd

実行

• 2種類の言語で試してみます。

$ tesseract -l jpn test.png out1
$ tesseract -l Japanese test.png out2

結果

PythonのWikiの目次のスクリーンショットを撮って試してみた結果がこちら。
両方の言語ファイルで微妙に結果が異なります。tesseract3系よりは良くなってます。

左：読み込ませた画像
中央：結果(jpn)
右：結果(Japanese)

参考

• https://blog.with-ruby.net/2018/07/12/install-tesserocr/