はしくれエンジニアもどきのメモ

情報系技術・哲学・デザインなどの勉強メモ・備忘録です。

トップ > Python > tesseract-ocr でOCR

tesseract-ocr でOCR

Python OCR

tesseract-ocr でOCR

tesseract-ocr と pyocr を使ってみたのでメモ．

環境

tesseract

今回は，「tesseract」 を使った． tesseractはOCRエンジンで， コマンドプロンプトから利用できる． pythonのモジュールを使えば，pythonからも使える．

github.com

tesseract-ocr のインストール

今回はWindowsなのでインストーラ tesseract-ocr-setup-3.02.02.exe をDLしてインストールした．インストーラは，Home · tesseract-ocr/tesseract Wiki · GitHub のold version3.02をインストールした．どうやら公式のインストーラの開発は止まっているらしい．

インストーラを叩いて従っていけば，特に問題なくインストールできた． 学習データを含んで要求容量は，Space required 59.5MB であった．

インストールできたか確認

コマンドプロンプトから利用できるので，以下のコマンドでバージョン確認ができる．


> tesseract -v

tesseract 3.02
leptonica-1.68 (Mar 14 2011, 10:43:03) [MSC v.1500 LIB Release 32 bit]
libgif 4.1.6 : libjpeg 8c : libpng 1.4.3 : libtiff 3.9.4 : zlib 1.2.5

サポートしている画像形式

PNMに対応しているので，ppmファイルも扱える． GIF はサポートしていないよう・

Tesseract-ocr - COPTR

tesseractをコマンドプロンプトからの利用

コマンドプロンプトから利用する．

まず画像を作っておく．pdfの場合，ppmファイルにしておくのがいい． 

cartman0.hatenablog.com

以下のコマンド，画像ファイルを指定してテキストファイルへ文字列が出力される．


> tesseract sample.png sample

この場合，sample.txt が新しく作られ，そこへ出力される．結果は，


0123456789
abcdefghij klmnopq rstuvwxyz

間にスペースが入るもののこの例ではうまく認識できた．

また，ページの形式をオプション-psm指定して，精度を変えることができる．

  • 0 = Orientation and script detection (OSD) only.

  • 1 = Automatic page segmentation with OSD.

  • 2 = Automatic page segmentation, but no OSD, or OCR

  • - 3 = Fully automatic page segmentation, but no OSD. (Default)

  • 4 = Assume a single column of text of variable sizes.

  • 5 = Assume a single uniform block of vertically aligned text.

  • 6 = Assume a single uniform block of text.

  • 7 = Treat the image as a single text line.

  • 8 = Treat the image as a single word.

  • 9 = Treat the image as a single word in a circle.

  • 10 = Treat the image as a single character.

pythonからの利用

コマンドプロンプトから利用できたが，「pyocr」というモジュールをimportすることでpythonからも利用できる．pipからインストールできる．


pip install pyocr

使い方は，githubに載っている． その手順を載せる．

準備


from PIL import Image
import sys
import pyocr
import pyocr.builders
import matplotlib.pyplot as plt

tools = pyocr.get_available_tools()
tools

> [<module 'pyocr.tesseract' from 'C:\\Miniconda3\\lib\\site-packages\\pyocr\\tesseract.py'>]


# OCRツールをインストールされているか確認
if len(tools) == 0:
  print("No OCR tool found")
  sys.exit(1)


# The tools are returned in the recommended order of usage
tool = tools[0]
print("Will use tool '%s'" % (tool.get_name())) # インストールされているOCRツールを表示

> Will use tool 'Tesseract (sh)'


# そのOCRツールで使用できる言語を確認
langs = tool.get_available_languages()
print("Available languages: %s" % ", ".join(langs))

> Available languages: eng, osd


# 使用する言語を選択
lang = langs[0]
print("Will use lang '%s'" % (lang))

> Will use lang 'eng'

画像からテキストへ

画像の読み込みにはPIL モジュールを使う．


im1 = Image.open('image/sample.ppm')

pyocr では，-psm オプションは `tesseract_layout` に指定する．デフォルトは3.


txt = tool.image_to_string(
  im1,
  lang=lang,
  builder=pyocr.builders.TextBuilder(tesseract_layout=6)
)
print(txt)

txtオブジェクトに，OCRで出力された文字列が入る．