画像 の文字認識に挑戦！ 【 Python OCR 】

Python が使えるようになったなら、 画像 を OCR かけて、文字の抽出！ってやってみたいと思いませんか？画像処理もいろいろできますが、出力された紙、PDFやTIFFなどの画像データから文字を抽出できた時の驚き・・・忘れられません。精度の問題もありますがまずは基本から！

そもそもOCRって？

OCRって何の略？からですが、

• Optical（オプティカル：光学）
• Character（キャラクター：文字）
• Reader（リーダー：読み込み）

を指します。

OCRってなんとなくの雰囲気で使っていましたが、ちゃんと理解すればそのまんまですね。

必要な設定があります！

PythonでOCRを実施する場合、いろいろあるようですが、TesseractOCRが有名です。

これを使えば簡単にできます。

[https://github.com/UB-Mannheim/tesseract/wiki]

設定などは他のサイトが紹介しているので割愛しますが、ポイントは、３つです。

1. tesseractをインストールする時に必要な言語を取り込むこと
2. インストールした後、PCの環境変数の設定を忘れないこと
3. 複数のOCRソフトがインストールされているときは注意すること

一度設定してしまえば、次回以降は設定不要なのですが、PC更新時や異なる環境で実施する場合のあるあるですのでご注意を。

OCRは設定と一文のコードで！

では、さっそくサンプルコードの紹介です。

サンプルコード

/* import設定 */
import os
import sys
import pyocr
import glob
import configparser as cfg
import cv2
import pytesseract

/* Config設定 */
user = os.getlogin()
cfg = cfg.ConfigParser()
cfg.read('config.ini', 'UTF-8')

/* OCR設定 */
tools = pyocr.get_available_tools()
if len(tools) == 0:
    print("No OCR tool found")
    sys.exit(1)
tool = tools[0]
lang = 'eng', 'jpn'
print(tool.get_name())

/* File読み込みフォルダ指定 */
files = glob.glob(cfg.get(user, 'img_folder') +
                  '/cell_cut/*.jpg', recursive=True)
print(files)

for file in files:
    img = cv2.imread(file)
    gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ocr = pytesseract.image_to_string(gray_img, lang='eng', config='--psm 6')
    print('OCR:' + ocr)*/

補足説明

設定の部分は、16～21行目です。
PCにインストールされているOCRの有無を確認します。
tesseractを認識していれば、22行目で “Tesseract(sh)” と出力されます。（もし複数インストールされている場合は、異なる設定が読み込まれています。）

OCR実施は、32行目の一文だけ！
えっ？それだけ？と思われるかもしれませんが、それだけなんです。

読み込む画像、言語（lang）、設定（config）の3つの引数からなっています。

読み込む画像と言語はそのままなので説明割愛しますが、言語はインストールする際に設定した言語を指定してください。

設定については、psm0～13がありますが、psm0とpsm2はOCRが行われませんので選ぶことは基本ないと思います。

psm3 ：完全自動ページセグメンテーション
(OSD※なし)-Default

※Orientation and script detection：文字方向および書字系の検出

psm4 ：単一カラムの様々なサイズのテキストとみなす

psm5 ：垂直方向に整列した単一カラムの均一ブロックテキストとみなす

psm6 ：単一カラムの均一ブロックテキストとみなす

psm7 ：画像を単一行のテキストとして扱う

psm8 ：画像を単語1つのみ含まれるものとして扱う

psm10： 画像を1文字のだけが含まれるものとして扱う

引数を指定しない場合はデフォルトでpsm3となります。

まずは、デフォルトで実行し、適宜調整するのがよいでしょう。

良く使うものを紹介します。（他はネットで検索すればでてくるので割愛します）

画像や文字書式によって認識率はかわりますが、その中でもpsm6を良く使いますね。

明らかに一つの文字ならpsm10などうまく使い分けることが必要です。

Pythonの入門にOCRはおすすめ

いかがですか？ひと昔前なら特殊技術やソフトがなければできなかったものが、自分のPCで手軽にOCRが出来るようになったのです。

時代の進歩には驚きですね。

自分で考えた通りに結果が出力されるのか？
各種設定を調整して意図通りに出力された時の快感！

興味を持たれた方は、OCRからPythonに挑戦するのも手ではないでしょうか！