探検

【文字認識】OCRソフト【 自炊 】 [無断転載禁止]©2ch.net

■ このスレッドは過去ログ倉庫に格納されています
2016/08/09(火) 21:24:11.61ID:zXdCMkkb0
光学文字認識（こうがくもじ にんしき、Optical character recognition）ソフト
2名無しさん＠お腹いっぱい。
垢版 |
2016/08/15(月) 08:48:43.19ID:/8XKPL210
213 名前：名無しさん＠お腹いっぱい。[sage] 投稿日：2016/08/15(月) 01:37:00.10 ID:FQ3AgcG50
>>211
教えてあげないよ
　　　　　＿,∩＿　　　　　　　　　＿,∩＿　　　　　　　　 　 ＿,∩＿
　　　　（＿＿＿__)ゝ、　　　　　（＿＿＿__)　 　 y　　　　 （＿＿＿__)
　　　　/　::　::　:: ヽ　〉　　　　　/-‐::　::‐-ヽ　／　　 　 　 /　::　::　:: ヽ
　　 _./ （・ ）ll（・ ） ∨　　　　 _/　 0) i! 0)　∨　　　　　 _/ （ ・）i!（・ ） ﾞ､_
　／/ ::　:: ∈ゝ ::　::ヽ　　 ／/　::　 ‐-‐　::　ヽ　　　 ／/　 ::　ｰ一　::　ヽ＼
. ゝ/::　::　::　　::　::　::ヽ　 ゝ/　::　::　 ::　 ::　:: ヽ　　 ゝ/　::　::　 ::　 ::　:: ヽく
　　￣￣ |￣￣ |￣￣　　　 ￣￣ |￣￣ |￣￣　　　　￣￣ |￣￣ |￣￣
　　 　 　 | 　 　 |　　 　 　 　 　 　 | 　 　 |　　　　 　 　 　 　 | 　 　 |
　　　　⊂! 　 　 !つ　　　　　 　 ⊂! 　 　 !つ　　　　　　　 ⊂! 　 　 !つ

ジャン♪
2016/09/16(金) 18:53:31.42ID:xb+uDKDF0
個人的には流行ってほしいジャンルだけど
基本シェアウェアだしスレの伸び見ても需要無いんだな
2016/10/18(火) 21:15:57.03ID:8+1fcpg80
OCRソフト　製品版

メディアドライブ（株）
　e.Typist v.15.0　　　58ヵ国語対応　　　直販価格　　　19,800円（税別）
　e.Typist NEO v.15.0　　　日本語・英語のみ　　　直販価格　　　12,190円（税別）
体験版アリ
　　　http://mediadrive.jp/products/et/index11.html

パナソニックソリューションテクノロジー（株）
　読取革命Ver.15　　　　　　　　　直販価格　　　12,800（税別）
（読取革命Ver.15 lite for Mac同梱）
体験版アリ
　　　http://www.panasonic.com/jp/company/pstc/products/yomikaku/demo.html

ソースネクスト（株）
本格読取4　　　　　　　　　　　　直販価格　　　3,400円（税別）
（読取革命の旧製品の再パッケージ版）
　　　http://www.sourcenext.com/product/pc/use/pc_use_000941/
2016/10/18(火) 21:20:32.53ID:8+1fcpg80
現行の出回ってる製品くらい並べろよ＞1と思ったら、なんだ？　NGワードって？
2016/10/18(火) 21:29:38.69ID:8+1fcpg80
>4に続けて以下のをアップしたかったんだけど、NGワード食らって弾かれるな…。

（株）データデジタルのRealReader Lite 8
（株）エーディーディーのABBYY FineReader 12
アンテナハウス（株）の瞬簡PDF OCR
Rene.E LaboratoryのRenee PDF Aide
2016/10/19(水) 21:34:25.77ID:rrkqSMxv0
無料で使えるOCR

46ヶ国の言語に対応した無料で使えるオンラインOCR
Online OCR
　　　http://www.onlineocr.net

日本語の解説はココが分かりやすいかも
寝ログ
　　　http://nelog.jp/online-ocr

試してみたが確かにすげえ。
縦書き日本語にも対応していて認識率も悪くない。
ユーザー登録すればできることはさらに増えるが、
でも先方のサーバーにデータが残るということが
不安を拭いきれない。

hpが開発しgoogleが公開したオープンソースOCRソフト
tesseract-ocr
　　　https://github.com/tesseract-ocr/tesseract

オープンソースゆえWindows版も当然あるが、有償無償を問わず
ロクなOCRソフトがないMac/Linuxユーザーはこぞってコマンドラインで
コイツを使うことになる。
スマホ用OCRアプリも含め、コイツを中身に使っているOCRソフトは
少なくない。
2016/10/27(木) 14:01:52.20ID:Lf4Jkeck0
Googleドキュメントに丸投げが1番楽で精度も高い
つまり上で名前の上がってるようなソフトは今や全てゴミ
2016/10/28(金) 14:32:27.82ID:F8pwlOl00
>>8
ファイルサイズが2MB制限だった。
これでは使い物にならない
ゴミとしか言いようがない
2016/11/14(月) 10:01:44.38ID:DfhqfMU20
acrobat以外でバラのpdfファイル一括OCR処理できるソフトないんかな。
今まではacrobatのフォルダ(500個ほどのファイル)ごと投げてたんだけど、特定のファイルで毎回止まってて使い物にならん。
2016/11/23(水) 20:08:39.03ID:egsPu78e0
>>10
結局e.typistで保存するときの、ファイルごとに保存できたから、解決した。
2016/11/30(水) 19:15:21.26ID:7ipzPm4D0
はじめまして。

現在OCR ソフト作っているものです。


スマホで出来ます。
現在うまく行っております。
2016/12/26(月) 01:47:37.00ID:v6AIeIuc0
スマホでOCR

カメラを内臓しているスマホの方が『買い物した直後にレシートをスキャンしてテキスト化したい』
という需要を満たせるせいか、Windows用ソフトが先細っている間に『Google Cloud Vision API』
という流行りのAIとかディープラーニングの技術を投入したAPIをOCRエンジンにしたスマホアプリが
公開されて成果をあげている模様。

結局自炊にはtesseract-ocrか？

で、この『Google Cloud Vision API』という奴、すこぶる評判が良いを通り越して
『もし的中率100％の占い師とか予想屋が実在したら？』レベルの優秀さだとすると、

自炊でのテキスト化に使用
　→正解率が高すぎて手直しの必要がほとんどない
　　→著作権侵害の温床になりかねない

という名目で、一万円程度のPC用ソフトに搭載されることはないような気がします。

本当はひらがなとカタカナの『へべぺ』『エ工』『口ロ』『ト卜』『タ夕』といった光学的な識別だけ
では限度があるケースを前後の文脈から類推して判別してほしいケースにこそAIとかディープラーニング
の出番と言う気がしますが、ソフトを自作できるレベル以外のエンドユーザーには高嶺の花になるかも
しれません。

という訳で、なんとかしてtesseract-ocrの認識率を上げられないものでしょうか。
2017/01/01(日) 03:49:51.39ID:i4KtsT1l0
Tesseract-OCR良いね
パソコンのWindows版3.02を使ってみたけどGoogleドキュメントより精度が上だった
無料OCRツールでは一番か？
本当は最新の3.05使いたかったがうまく動かせなかった
15名無しさん＠お腹いっぱい。
垢版 |
2017/01/01(日) 10:45:53.16ID:bJoGCIrB0
>>14
Googleが一番やろ〜w
2017/01/03(火) 01:48:22.51ID:/4niW42M0
tesseract-ocrの認識率を下げないための工夫

tesseract-ocrで検索すると、認識率を上げるための学習ファイルの作り方を指南したサイトが
それなりにヒットしますが、やはり自炊を目的とした日本語縦書き300ページ程度をOCRするため
の指南役サイトは見たことがありません。仕方なく自分で試行錯誤した結果、

1.スキャンする時に解像度300dpi以上の.tiff形式で行う

※当方の環境はlinux上でtesseract-ocr3.03と3.04を試しています。

構造上ノイズだらけのjpegだと肉眼には優しくてもソフトウェアにとってはそうではないみたい
で、当初オフィス用複合機のPDFでスキャンしてjpegに変換して読み込ませてみたのですが、そ
の結果は惨憺たるものでした。

所詮はフリーソフトかとその時は思いましたが、ふと.tiffでスキャンしてOCRをかけたところ、
認識率が飛躍的に向上しました。

ちなみに.tiffには拡張子が同じでも複数規格があり、
FujiXeroxの複合機でスキャンする＝CCITT Bilevel Encodings G4 FAX T.6
リコーの複合機でスキャンする＝CCITT Bilevel Encodings G3 FAX T.4
という圧縮がかかった.tiffファイルが得られます。

どちらも黒白二値で圧縮された形式なので、ページ一枚がjpegだと256KB程度がtiff-G4だと
25.6KB程度、tiff-G3だとその四割増し程度になりますが、tiff同士の認識率に違いはありませ
んでした。

なお他形式やG3からG4への変換は、IrvanVeiwとかLinuxだとImageMagickで一括変換できます
が、元がjpegからだと失われた情報が戻らないので認識率は下がります。
17名無しさん＠お腹いっぱい。
垢版 |
2017/01/03(火) 02:13:20.84ID:R8/S2ECj0
>>16
いやtesseractは認識精度低いから・・・


Cloud Vision使えよ


高画質画像もいらないから
2017/01/04(水) 00:37:05.30ID:orymQRzs0
>>16
こういう検証報告はすごい有り難いね
参考にします
2017/01/05(木) 20:18:24.04ID:8PejRFef0
ちなみに>16でスキャンする元ネタをjpeg→tiffに変更してどのくらい変わったかというと、

文中の“由美子”というヒロインの名前が、from-jpegスキャンからだと、

由美F 　　由美汗　　由芙干　　山芙杆　　…芙杆
由美P 　　由美浙　　由芙折　　山芙F 　　…芙浙
由美f 　　由美肝　　由芙於　　山芙f 　　…芙肝
由美そ　　由美託　　由芙旛　　山芙そ　　…芙託
由美ア　　由美醇　　由芙杆　　山芙ヂ　　…美F
由美チ　　由美干　　由芙浙　　山芙浙　　…美f
由美ヂ　　由美折　　由芙F 　　山芙肝　　…美肝
由美モ　　由美杆　　由芙f 　　山芙軒　　…美チ
由美丑　　由美壬　　由芙肝　　…芙F 　　…美竚
由美予　　由芙チ　　山美折　　…芙P 　　…美升
由美争　　由芙ヂ　　山美肝　　…芙f 　　…美壬
由美十　　由芙丑　　山美託　　…芙チ　　…美折
由美千　　由芙予　　山美升　　…芙升
由美升　　由芙十　　山芙丑　　…芙折
由美寶　　由芙升　　山芙十　　…芙旛

これだけ豊富なバリエーション()が発生しましたが、from-tiffスキャンからだとほぼブレ
ることなく“由美子”になったので、
「こ、これはハトを殺されたタイソン並みにスゴいのではないか？」と
tesseract-ocrの秘めた実力に驚愕したものでした。

つまり条件さえ揃えばtesseract-ocrの認識率はけして悪くないというか、むしろ認識結果が
思わしくない場合は何らかの事情でスキャンする際にスポイルされた可能性があると考えて、
条件を変えてスキャンしてみるのもひとつの手かもしれません。
2017/01/05(木) 20:59:02.85ID:8PejRFef0
続・tesseract-ocrの認識率を下げないための工夫

2.不要な認識候補文字をブラックリストで指定して排除する

※当方の環境はlinux上でtesseract-ocr3.03と3.04を試しています。

以前tesseract-ocr以外のOCRソフトを使ったときのこと。帳票というか、罫線の中に数字と
カンマとピリオドしかないペーパーをスキャンして取り込むために認識候補を『英数のみ』に
設定してOCRを実行したのですが、

「なんで 2 じゃなくて Z って認識するワケ？　候補を数字だけに絞れば良さそうなのに、
なんでできないの？　バカなの？　死ぬの？」

と思ったことがありました。

tesseract-ocrにはホワイトリストとブラックリストというオプションを指定することで、
認識候補文字を制限することができます。

ホワイトリスト＝認識候補文字を指定した文字だけに限定する

先程の帳票認識時の様に、認識候補文字を『　0123456789.,　』以内に限定したいときに
使いますが、縦書き日本語の自炊目的には使わないので今は捨て置きます。

ブラックリスト＝認識候補文字を指定した文字以外に限定する

↑ちょっと変な日本語になってますが、要するに「縦書き日本語の小説にフツーはこんな記号や
文字は出てこないんだから、候補から外せば正解率上んじゃね？」ってことです。

で、実際指定したら間違いのブレ幅が確実に少なくなるので一括置換で修正もやり易くなる
のですが、tesseract-ocr blacklist で検索しても、何故かほとんどヒットしませんでした。
■ このスレッドは過去ログ倉庫に格納されています
ニューススポーツなんでも実況