tesseract-ocr†
環境構築†
- debian の場合は以下をインストールする：
tesseract-ocr
- 各国語毎の言語ファイルは別パッケージになっている。必要に応じて追加インストールする。
| パッケージ | 言語 |
|---|
| tesseract-ocr-ces | チェコ語 |
| tesseract-ocr-jpn | 日本語 |
| tesseract-ocr-jpn-vert | 日本語縦書き |
| tesseract-ocr-deu | 独逸語 |
| tesseract-ocr-deu-frak | 独逸語フラクトゥール |
| tesseract-ocr-eng | 英語 |
| tesseract-ocr-fra | 仏語 |
| tesseract-ocr-all | 全ての言語 |
コマンドライン†
tesseract <input-image-file> <out-file> -l <lang> -psm <number>
option†
- <out-file>
- 出力ファイル名。実際のファイル名はこの名前に更に ".txt" が付く。
- --tessdata-dir <path>
- 言語データファイルの場所を <path> に指定する。
- --user-words <path-to-file>
- ユーザ辞書ファイルとして <path-to-file> を指定する
- -c <var>=<val>
- -l <lang>
- 使用言語を <lang> にする
- jpn, ces, etc.,
- --psm <number>
- Page segmentation modes:
- 0 : Orientation and script detection (OSD) only.
言語データ：osd.traineddata 必須
OSD は Orientation and script detection の略
言語の種類やテキストの傾斜角度等を xxxxx.osd に出力
- 1 : Automatic page segmentation with OSD.
言語データ：osd.traineddata 必須
回転(90度・180度・270度)したテキストも認識する
- 2 : Automatic page segmentation, but no OSD, or OCR.
テキストの傾斜角度にかかわる情報を画面に標準出力する。
ファイルは何も作成されない。
- 3 : Fully automatic page segmentation, but no OSD. (Default)
デフォルトのオプション。
水平テキスト（横書き文書）と垂直テキスト（縦書き文書）に対応
傾斜角度のあるテキストは非対応
- 4 : Assume a single column of text of variable sizes.
可変サイズのテキストとして扱う。
- 5 : Assume a single uniform block of vertically aligned text.
ユニフォームブロックの垂直テキストと仮定する。
- 6 : Assume a single uniform block of text.
ユニフォームブロックのテキストと仮定する。
デフォルトよりも認識率が良い。
- 7 : Treat the image as a single text line.
単一のテキスト行として扱う。
画像内に複数行が存在する場合は、画像内の文字すべてが誤認識する。
- 8 : Treat the image as a single word.
単語として扱う。行に複数の単語がある場合は、
単語間の空白は削られて出力される。「太陽 お月様」 → 「太陽お月様」
画像内に複数行が存在する場合は、画像内の文字すべてが誤認識する。
- 9 : Treat the image as a single word in a circle.
画像を円の中の一つの単語として扱う。（丸囲みのことか？）
- 10 : Treat the image as a single character.
1文字として扱う。2文字以上ある場合は、すべてが誤認識する。
- 11 : Sparse text. Find as much text as possible in no particular order.
色の薄いテキスト。できるだけ多くのテキストを探す。
デフォルトで探せなかったテキストも認識する。
- 12 : Sparse text with OSD.
言語データ：osd.traineddata 必須
上記11番、及び、
回転(90度・180度・270度)したテキストも認識する
- 13 : Raw line. Treat the image as a single text line,
bypassing hacks that are Tesseract-specific.
参考リンク†
![[PukiWiki]](image/tux_100x119.jpg "[PukiWiki]")
