【第34回PYTHON講座】OCR(文字認識)Tesseractを使って日本語を認識テスト

PYTHON

みなさん、こんにちは。
今回はOCR(文字認識)のソフトTesseractで日本語を認識するプログラムを作成してみようと思います。

今回は、準備が大半で、プログラムはほんのわずかです^^;。

スポンサーリンク

OCR(文字認識)とは?

まず、OCR(文字認識)の説明をします。

OCRは、Optical Character Recognitionの略で、光学的文字認識と訳されます。

一般的に知られるようになったのは、プリンターにスキャナーの機能が追加されてでしょうか。スキャンされた画像から文字を認識するOCR機能が流行り始めました。

パソコン上の画像から文字認識することは、Optical=光学ではありませんが、一般的に、「OCR=文字認識」という認識になっています。

準備すること

PYTHONでは追加ライブラリをインストールすれば、それで済みましたが、今回は違います。

準備する順番

❶ 文字認識ソフトTesseractをパソコンにインストール
➋ Tessaractの日本語データをインストール
❸ Pythonのpytesseractのライブラリをインストール

文字認識ソフト「Tesseract」をWindowsパソコンにインストール

では、最初に文字認識ソフト「Tesseract」をWindowsパソコンにインストールする方法を説明します。

下記のサイトにアクセスします。

ページを下にスクロールすると、ソフトのインストーラーファイルのリンク部分が表示されます(下の画像を参照)。2021年3月時点の最新バージョンは5になりますので、後日、バージョンが変更しているかもしれませんのでご了承ください。

インストーラーのリンク

パソコンにインストールされているOSが32ビット64ビットかでインストールソフトが変わるので、使用するパソコンのビット数に合うものを選択して下さい。

ファイルをダウンロードしたら、ダブルクリックをして、インストールを行ってください。インストールする際は、インストール先フォルダの確認をして下さい。通常であれば、下記のフォルダにインストールされます。次の作業の、日本語のデータをインストールする際に必要になります。

C:\Program Files\Tesseract-OCR

これで、Tesseractのインストールは完了です。

日本語データのインストール

次に日本語のデータをインストールします。標準では英語のデータのみがインストールされています。

日本語のデータを取得する為に、下記のサイトに行きます。

下にスクロールすると、日本語のデータのリンクが2つ表示されています。この2つをダウンロードします。

日本語のデータ

ダウンロードしたファイルは、先ほどインストールしたTesseract-OCRのフォルダの中にある「tessdata」というフォルダに入れて下さい。

これで日本語データのインストールは完了です。

PYTHON用ライブライ「pytesseract」をインストール

最後に、PYTHON用のライブラリ「pytesseract」をインストールします。

下記のコマンドを実行して下さい。

pip install pytesseract

これで文字認識するプログラムを作成する準備が整いました。

文字認識するプログラム

プログラム解説

import pytesseract
from PIL import Image


text = pytesseract.image_to_string(Image.open('C:/Labo/image/test1.jpg'),lang='jpn')


print(text)
1、2行目 ライブラリのインポート

今回は「pytesseract」の他に、画像用ライブラリ「PIL」を使用します。これは、画像から文字を認識する為、画像を開くライブラリが必要になってくるからです。

5行目 画像から文字へ

画像から文字にする為に、pytesseract.image_to_stringという関数を使います。

langには、先ほどインストールした日本語のデータを指定します。日本語の横書きであれば「jpn縦書きであれば「jpn_vertを選択します。

出力結果

下の2つの画像で試してみました。

横書き

縦書き

出力結果
lang横画像縦画像
jpnあけ まし てあ 地 し て
jpn_vert_いテムesaあ け ま し て

上記の出力結果のように、画像上の文字が縦書きか横書きかで、適したlangを選択しないと、正しく出力されないことがわかりました。

ただ、langを適切に選んでいる場合は、100%正しい出力結果が得られていることが分かります。すごいですね。

日本語以外のデータ

数字や英語を使用する場合は、langの部分を削除するか、lang=engと置き換えて下さい。

text = pytesseract.image_to_string(Image.open('C:/Labo/image/test1.jpg'))

また、他の言語を扱う時は、日本語のデータをインストールした時と同じように、その言語のデータファイルをインストールして下さい。その場合はlangにはそのファイル名を指定すればいいだけです。

まとめ

いかがだったでしょうか。

文字認識って面白いですよね。今回は試しませんでしたが、漢字も認識しますよ。

是非、色々と試していてください。

役に立った!」と思れましたら、下のSNSボタンで記事のシェアをしていただけると嬉しいです!

コメント

タイトルとURLをコピーしました