TesseractというOCRのオープンソースをインストールして動かしてみた。
Tesseractのアルゴリズムについては、
以下のGoogleのRay Smith氏の論文にて述べられている。
http://www.cip.ifi.lmu.de/~langeh/test/2007%20-%20Smith%20-%20An%20Overview%20of%20the%20Tesseract%20OCR%20Engine.pdf
手順はざっくり以下のようになっているようだ。
- アウトライン抽出：skew（歪み）検出により補正した画像に対し、直線検出を階層的に繰り返す
- アウトラインを用いた、テキスト反転、白地の上の黒字、黒地の上の白字などを判定
- Blob抽出：ベースラインを見つけてテキストのラインを抽出し、A*アルゴリズムを用いて、chops（区切り）を検出することにより文字を抽出
- 文字単位の認識：２つのパスがある
１）文字を順番に認識：認識の信頼度の高い文字はadaptive classifierに学習データとして渡して、adaptive classifierを学習する（ページの後半でより高い認識率を得ることが目的）
２）再認識：1)で信頼度が低かった文字を、学習したadaptive classifierで再認識
- 不確定なスペースの解決：上付きや下付きなどの小さい文字の確認
分類のアルゴリズムは3系（legacy）では、真のフォントに対し多角形近似したプロトタイプ（下の画像のCの細い線）と、
画像の文字から抽出した特徴量（下の画像の太い点線）
との２段階の特徴量マッチング（１段目で候補を選び、２段目で選択）
学習データには、8種類のフォントと４種類の書体（通常、イタリック、ボールド、ボールドイタリック）を用いているが、
マッチングなので、学習はおそらくプロトタイプを作ることに対応している。
【3系（legacy）】
https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.03%E2%80%933.05
4系ではLSTMを使っている模様。
【4系】
https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00
以下は、ubuntuでのtesseractのインストール手順である。
【参考文献】
https://qiita.com/chokozainer/items/fd8be9b4f93adbb6809a
1) sudo apt install tesseract-ocr
2) sudo apt install tesseract-ocr-jpn
3) Leptonicaのインストール
3-1) 最新版の17.9をダウンロード
wget https://github.com/DanBloomberg/leptonica/releases/download/1.79.0/leptonica-1.79.0.tar.gz
3-2) tar -xvzf leptonica-1.79.0.tar.gz
3-3) cd leptonica-1.79.0/
3-4) ./configure
3-5) make
3-6) sudo make install
4) 動作確認
以下のような日本語の文章が書かれた画像（test.png）を用意し、
tesseract test.png out -l jpn
を実行
out.txtというファイルに結果が出力される。
西日本ゃ東日本で曇りゃ爾の日続く
冬は晴れる日が多い東日本や西日本の太平洋側で
すが、 日本の南に前線カヾ停滞する影響で、 曇りや雨
の日が続く予想です〟真冬にこれだけ晴れづらい日が続くことは珍し
く、 梅雨のはしりのような天気が続きます〟棘など関東で雪の可能性右
梅雨のはしりのような天気は週宋にかけて続く予
想で、 スッキリ しない空が続くと見られます〟東京でも雨の降る日が多く、 寒気の強さによつて
は東京都心など関東南部で広く雪になる可能性があ
ります〟 こまめに最新情報をご`確詔ください〟
