python で ocr — tessdata_best

ocr で文字認識するためのいわば辞書があるようで、通常は tessdata_first が使用されますがそうすると認識率が悪くなります。

認識率を上げるためには tessdata_best というものを使用する必要があるようです。

tessdata_first による認識

サンプルとして、E.フロムの「愛するということ」を使います。

これを tessdata_first で処理すると、

このレベルでは使い物にならないと思います。

tessdata_best を使う

Github の「https://github.com/tesseract-ocr/tessdata_best」にアクセスして、「jpn_vert.traineddata」をダウンロードします。18 MB ほどです。ちなみに tessdata_first は 3 MB ほどでした。

これらの学習データは、linux mint 21.1 では「/usr/share/tesseract-ocr/4.00/tessdata/」に収納されるので、コピーします。

sudo cp ~/jpn_vert.traineddata /usr/share/tesseract-ocr/4.00/tessdata/

そうして画像を処理してみます。

その結果は、

赤いアンダーラインの部分がおかしいと思います。全部で8箇所です。
随分改善されましたが、まだ少し不満が残ります。

これは 3 年前のデータなのでもう少し新しいものはないんでしょうかね。

tesseract 5.3.0 を使ってみる

最新の tesseract 5.3.0 を使ってみました。

sudo add-apt-repository ppa:alex-p/tesseract-ocr5
sudo apt-get update
sudo apt install -y tesseract-ocr

確認します。

tesseract --version
tesseract 5.3.0
 leptonica-1.82.0
  libgif 5.1.9 : libjpeg 8d (libjpeg-turbo 2.1.1) : libpng 1.6.37 : libtiff 4.3.0 : zlib 1.2.11 : libwebp 1.2.2 : libopenjp2 2.4.0
 Found AVX2
 Found AVX
 Found FMA
 Found SSE4.1
 Found OpenMP 201511
 Found libarchive 3.6.0 zlib/1.2.11 liblzma/5.2.5 bz2lib/1.0.8 liblz4/1.9.3 libzstd/1.4.8
 Found libcurl/7.81.0 OpenSSL/3.0.2 zlib/1.2.11 brotli/1.0.9 zstd/1.4.8 libidn2/2.3.2 libpsl/0.21.0 (+libidn2/2.3.2) libssh/0.9.6/openssl/zlib nghttp2/1.43.0 librtmp/2.3 OpenLDAP/2.5.13

tessdata_best もコピー先も変更する必要があります。

sudo cp ~/jpn_vert.traineddata /usr/share/tesseract-ocr/5/tessdata/

実行結果は、

今回はおかしな部分は4箇所です。

tesseract 4 よりは少し改善しているようです。

python で tesseract 5 を使用する

コマンドラインから ocr した結果と python による結果は違っています。

python で tesseract を使用するスクリプトが間違っていたようです。

from PIL import Image
import pyocr
import re
import os

class Pocr():

    def __init__( self ):
        self.txt1 = ""
        self.totaltxt = ""
        self.imgDir = '/home/mituo/after'
        self.imgArr = []
    
    def get_imgArr( self ):
        for dir_path, dir_names, file_names in os.walk(self.imgDir):
            for file_name in file_names:
                self.imgArr.append( dir_path + '/' + file_name )
        self.imgArr.sort()

    def analys(self):
        tools = pyocr.get_available_tools()
        tool = tools[0]
        for eimg in self.imgArr:
            print(eimg)
            img = Image.open(eimg)           
            builder = pyocr.builders.TextBuilder(tesseract_layout=5)
            self.txt1 = tool.image_to_string( img, lang="jpn_vert", builder=pyocr.builders.TextBuilder(tesseract_layout=5) )         
            self.del_spaces()
        print(self.totaltxt) 
        with open('/home/mituo/result.txt', 'w') as f:
            f.write(self.totaltxt)

    def del_spaces(self):
        text = re.sub(r"[\u3000 ]", "", self.txt1)
        text = re.sub('\n{2,}', '----------', text)
        text = re.sub(r"\n", "", text)
        text = re.sub(r"----------", "\n", text)
        self.totaltxt = self.totaltxt + "\n---------------------------------\n" + text

if __name__ == '__main__':
    pocr = Pocr()
    pocr.get_imgArr()
    pocr.analys()

今の段階では windows で「読んでココ」の方がいい

windows は嫌いなので、新しくコンピュータを購入するとすぐに linux mint をクリーンインストールします。
でも、ものによっては windows の方がいいものもあります。

例えば ocr に関しては、「読んでココ ver13」の方が誤認識が少ないようです。
私は、virtualbox の windows 10 で「読んでココ」を動かしています。

全角スペースが少し入りますが、誤認識は1箇所しかありません。