【文字認識】OCRソフト【 自炊 】 [無断転載禁止]©2ch.net

光学文字認識（こうがくもじ にんしき、Optical character recognition）ソフト

OCRかけたPDFで、Googleドライブで閲覧するときは、文字選択も検索もできるんだけど、ドライブから他のiPadアプリへインポートすると、文字選択も検索もできなくなります。

対応策知ってる方いたら教えてもらえないでしょうか。

バージョンが違うとかじゃね？

>>508
https://twitter.com/NDLJP/status/1610557944952946688
NDLOCRについては国立国会図書館月報2022年11月号の特集記事でも紹介しています。
https://twitter.com/5chan_nel (5ch newer account)

スマホのグーグルレンズだとかなり正確なのに
PCの画像取り込みでグーグルドキュメントだとまったく認識できないのはなぜかわかりますか？

>>560
>>508
自炊技術総合スレでこれに関していろんな人が議論しているけど、結局外部の人間が使いこなすのは至難であると言う状況
日本の it 開発に関する公金の使い方は最悪

余計なGUI作っで金と取るより、遥かにいいよ。
Python あれば コマンドラインで動くんでしょ。
十分だよ。

>>563
Python でも動かし方がわからないみたいよ

動かし方であーだこーだ時間を使うよりは有料でも使いやすいインターフェースがあった方がいい
こういうのは所詮道具だから

規制された？

>>561
多分AIチップの有無

制限された？

制限きつくなった

TEST

>>561
スマホのカメラのレンズは顔認識にはじまり、そのレンズ通して画像（映像）からフォントやらワンタップで楽々と認識+特定できるようになるかもしれない。
既にある気もするけど。googleとかやりそうだし。
AIと言うと、KRITA Paintって無料(フリーウェア)のペイントアプリで超簡単お手軽に消したい任意の人や車をこの画像みたいに消せるのがなんだかすごい。
コラージュには欠かせないツールかもしれない。
https://i.imgur.com/HPssPV5.png
GIGAZINEで知った。

test

非破壊型ScanSnapに添付のソフトでPDFに透明テキストを付けていたが性能が悪いので
読取革命の体験版を入手して試してみた
テキストは大体正しく読み取れているが不満点２つ
・ページの枠等でゴミ文字が大量に発生
・元のPDFの画像を再エンコしてしまっている

>>572


> ・ページの枠等でゴミ文字が大量に発生
たぶんページ番号とか上の方にある見出しとかを言ってると思うんだけど本文だけを領域に指定したテンプレートを使って、それを簡単認識という一種のマクロで読み込ませればいい

> ・元のPDFの画像を再エンコしてしまっている
これは何とかしてほしいよね

レスありがとうございます。「簡単認識」というのは何ですか？
読取革命15の体験版を使っています

読取革命15の体験版を使ってみて不具合と思うこと

1. 複数のjpgをいれたフォルダーを用意する
2. 「画像ファイルを開く」でそのフォルダーを指定して「画像ファイルを追加して読み込む」に
チェックを付けた上でCtrl+Aで全ファイルを選択して開く
3. 複数ページとして読み込まれる
4. ところが「レイアウト」も「認識」も「保存」も最後のページしか処理できない

現行バージョン16ではどうですか？

ちょっと何言ってるかわからない

では逆に質問させてもらえますか
１ページが１つのjpgで、ファイル名に連番ついているものが多数ある場合
それらをまとめて読み込んでまとめてOCR処理することはできますか

15で、すべてのページを選択して、認識など順番に処理をしてくれている
左に並んでいる取り込まれた画像は選択された状態になっているのか
なっているなら、体験版の制限かもしれない

>>577
マニュアル読んでないならとりあえず『かんたんモード』使っとけ
メニューバー＞表示＞かんたんモードへ＞入力＞認識＞保存

>>574
何処か分からないならF9キー押せ
そこに前もって処理手順を登録しとけば実行ボタン押すだけで全部やってくれる

>>578
取り込んだ後左に並んでいる画像は全部選択された状態になっています
Ctrl-Aを使って全部選択し直してもやはり最後のページしか処理できない
制限しているのか体験版だけの不具合かわからないけど動作確認はあきらめた

>>574
体験版は使ってないんで分からないけど16正規版ならば、メニューで、認識→簡単認識、で設定画面を呼び出せる。
領域をカスタム設定して保存し、それをテンプレートとして簡単認識内に登録すれば後は自動で全てのページをそのテンプレートでやってくれる。
領域ごとの設定ではできるだけ自動認識を使わず、縦書きとか横書きとか半角とか全角とか細かく指定する方が認識が良い

一つの領域内に横書きと縦書きが混在した場合にはテンプレート処理できないので、1回簡単に意識を実行させた後、少数の例外ページだけ手作業でレイアウトを修正する

575の最後のページしか認識しない問題は画像ファイルを読み込ませた後左側のサムネイルページで最後のページしか選択していないことが原因だと思う。読み込み後コントロール A で全選択すれば全てのページの処理をしてくれる

簡単モードじゃなくて標準モードを使うこと

こんなとこですかね

続き

Amazon のレビューでかんたん認識についての説明がありましたので転載しときますね


五点目は、「かんたん認識」機能です。
文庫本や単行本で、レイアウトが単純なものは、この機能を使うことで、かなりの短時間で文字認識を完了させることができます。
この機能は、ひとつの認識レイアウトをテンプレートとして保存して、「かんたん認識」機能で全ページに適用するというものです。
例えば、通常、文庫本の場合、見開きの上下端の部分に、ページ数や書籍名・章題などの文字情報が含まれています。この部分に関しては、基本的に文字認識する必要がない無駄な情報なのですが、自動で文字認識させると、この部分まで認識してしまいます。
「かんたん認識」機能を使えば、あらかじめ、上下の端の部分を認識しないレイアウトをテンプレートで設定しておいて、そのレイアウトに従って一度、全ページを文字認識してくれます。
もちろん、挿絵や図表があるページに関しては、認識がグチャグチャニなるので、その後で修正が必要になりますが、いちいち、手作業で無駄な認識部分を消す必要がありません。
また、レイアウト認識にテンプレートを使うことによって、レイアウト解析の時間も不要になりますから、文字認識の処理が速くなります。
テンプレートは、書籍ごとに作った方が、精度が高いので、その点はひと手間はかかりますが、それ以上にメリットが大きいと思います。
上手に使えば、精度の高い認識結果を得るのに、３００Pの本で30分くらいですみます。（そのうち手作業は10分程度）≫

>>581

>575の最後のページしか認識しない問題は画像ファイルを読み込ませた後左側のサムネイルページで最後のページしか選択していないことが原因だと思う。

「標準モード」の「ファイル」の「画像ファイルを開く」を使いました
580に書いたように左側の画像サムネールは全部選択状態になっています
体験版の制限事項にはそんなことは書かれていないので体験版の不具合かな

体験版も無いのでバージョン16のメニュー構成がどうなっているのかはわかりませんが、
バージョン15の「標準モード」の「ファイル」の「画像ファイルを開く」と同等の方法で複数ファイルを
一括処理をできるようになっているのでしょうか

入門ウィザードの話なのか、かんたん認識の話なのか、画像ファイルを開くからの話しなのか、それら以外なのか

画像ファイルを開くからのだったら手順を踏まないと一括の認識変換はできないぞ

まずは入門ウィザードでやってみろ

>>584
それとは違う


アマゾンのレビューはバージョン15のレビューなので、15でも「かんたん認識」はあると思う。レビューで簡単認識の機能は想像できるでしょう

もう少し詳しく知りたかったら15のマニュアルは公開されてると思うんでやり方探してみて

16の場合でも体験版はある筈。私は実際それで試してから購入したから
体験版というより使える期間に制限があるだけで機能制限はなかったと思う

どんな方法でもいいですけどバージョン16において、
１ページが１つのjpgで、ファイル名に連番が付いているような多数ファイル（ページ）がある場合
それらをまとめて読み込んでまとめてOCR処理することはできますか
というのが質問です

少なくともバージョン15の体験版ではできない

>>588
16の体験版は入手できないでいる
https://faq.sourcenext.com/app/answers/detail/a_id/12598/

15の体験版はインターネットアーカイブの古いページから何とか見つけ出したもの

入門ウィザードだ

入門ウィザードは15の体験版で既にやっているがやはり最後のページしか処理されない

>>589
答えはイエスだよ

バージョン16の体験版はなかった。試用期間というのは私の記憶違いで、返品が可能という条件だった。

私の場合はバージョン14を使っていて不満足なところがあったのでサポートに問い合わせたところバージョン14のサポートは既に終わっており回答できないが、バージョン16を勧められバージョン16でも満足する機能がなければ返品に応じるということだった。バージョン16で満足する機能があったので返品はしなかった。

バージョン16のマニュアルはここにあるよ
https://ftp.sourcenext.co.jp/k7_patch/sn-update/manual/SAESJ/manual.pdf

589ができればいいなら購入したほうが早いんじゃない？かんたん認識であなたの不満点は解決されると思うから

そうか
俺の体験版15では全ページ一括OCR出来てるから何かを間違えてるんだろうな

そう言えば設定によっては
レイアウトや認識結果を削除とかなんかしたあと
もう一度読み取ろうとしても読み取ない不具合か仕様あったようななかったような

だいぶ前のあやふやな記憶

>>589
かんたん認識はマニュアルの121ページ

>>593
ありがとう
16のマニュアルを見たが62ページ（PDFの63/177）に「複数ファイルを指定する場合」と
書かれているが15のマニュアルにも同じことが書かれている
本来であればその方法でできるはず
15と16は比較表を見るとスペックにほとんど変更がないから15の体験版でできなければ16でも
怪しいと思い質問したした次第です

できなければ製品として成立しないんだからできる。体験版の機能制限か、アーカイブがこわれているかのどちらかでしょう。

複数のjpgを無劣化で１PDFに作れるから体験版でもOCRに掛けることはできる
しかしJPGを１つ読み込んだ時とそのJPGから作ったPDFを読み込んだ時とで比較すると
透明テキスト付PDFの品質が違っていた（どちらも再エンコであることは同じだったが）

そこで16を注文をした（435のように体験版を使い続けることもできるんだが）

まともな体験版を出せよ

パナソニックは15で開発終了してるんだな
ソースネクストにまともな開発能力ないしまあ残当

なんだかんだ言っても日本語縦書きをまともに処理できるOCR ソフトは読取革命しかないように思うんだけど、他にある？あったら教えて

Googleやndlは透明テキスト処理ができないんで対象外ね

>>602
スキャナーに付いて来たPower PDF Standardを今まで使ってきたが縦書きでも取れるし
一応だが実用にはなっていた
「サンプルzip」というファイルをアップしてみた。3つファイルが入っている
https://20.gigafile.nu/0505-d1645eba1bec6bdf5e13dcdefdcd7d45a

・某所のOCRテスト用サンプル。元はPNGだが「画像梱包」で無劣化PDF化したもの
・読取革命15体験版で透明文字付PDFに保存したもの
・Power PDF Standardで検索可能化

読取革命は画像を再エンコするのでファイルサイズがかなり大きくなってしまっている
Power PDF StandardはPDF内の画像ファイルを全く変えないのがいいところ

>>603
ファイルサイズが大きくなったらアクロバットのファイルの最適化またはファイルの縮小をかけると劇的にサイズが小さくなるよ。

画質はほとんど劣化しないけれどよく見ると文字のエッジが微妙に変化しているので自分は2種類の方法でファイルサイズを小さくした後実際に目で見てファイルサイズの小ささと画質の良さのバランスが良い方を残している。

PDFが対応している画像についてはそれを勝手に書き換えないのがベスト
技術的に難しいことではないはず

しかしパナソニックからソースネクストに変わってしまったら今後あるかもしれないバージョンアップでも
改善されることは絶望的だね

ずっとe.typistの高圧縮PDF（MRC圧縮）にしてるわ
iPadで読むには十分。つか文字のエッジはガタつき気味だけど、クッキリとするから読みやすい。
AcrobatのClearScanにしてたときもあったけど、やたらと読み込みが遅いのが出来たことがあって止めた

余所でやってください。

久しぶりにeTypistとFineReaderを使ったら､あまりのポンコツぶりに驚いた｡
PDFなんてAcrobat DCの方が認識率いいぞ｡
みんなが知らないと思われるxdw文書もDocuworksの方が認識率が良くて驚いた｡

テスト

読取革命の「PDFを解析して入力」というものは何に使うためにあるんだろうか
透明文字付PDFの誤認識文字を後から直すためかとも思ったが
直して保存すると画像文字と透明文字との位置が違ってしまうし

PDFを入力してもunicode文字が全部下駄文字になってしまうんだよな
20年間unicode化せずにやって来て
今更対応させる体力も無くソースネクストに丸投げして終了

読取革命においてPDFから無劣化でJPG等を取り出せる場合にはPDFを開くのではなく
取り出した画像ファイルを（複数）開く方がよいようだ

603の例で言うとサンプルの元のPNGは462x412ピクセル
それを無劣化PDFにして読み込むと1925x1716ピクセルのJPGに変換されてしまう（300dpi
の入力設定の時）
だからOCR後の透明文字付PDFのサイズも大きくなってしまうし２回エンコードされるから
画質も劣化する
どういう計算根拠でそのサイズに拡大しているのかは不明
PDF以外の画像ファイルを開いた時にはサイズが変更されることはない

>>612
単にPDFがweb閲覧用に減量化済みの低解像度なものだからじゃないの？
そのサンプルPDF内のPNGは72dpiだから300dpiに変換するとそのサイズになる
300/72*462 = 1925
300/72*412 = 1716.666…

計算はその通りですね

PNG形式ファイル自体にはdpiは指定できずそれを「画像梱包」のデフォルトでPDF化したら
72dpiのPDFが作られたようでした
試しに「画像梱包」で300dpiを指定してPDF化したらそれを開いて読取革命で作成した透明文字付
PDF中にPNGとほぼ同じピクセル数のJPGが作られていた（ファイルサイズも小さい）

読取革命の不便な点・・・・

dpiが設定されていないファイルを複数まとめて開いた時にページ一覧のCtrl+Aで全部のファイルを選択
してもまとめて「解像度の設定」をできず１ページずつ設定しなければならない

事前に何かツールを使って対象ファイルにまとめてdpiを設定しておけばよいのだけれど

>>162
オタクは気持ち悪いなら規制してほしいの？寂しいの？

>>414
過度に攻撃的な発言では通らない

>>158
まだ2回なのに心臓の調子悪いんだがなんで品評会がなんJを自民倒すのが目的の連中がフェミ的な装いでっていう住み分け

>>58
配信者程度なら単なる内輪ノリなんじゃないのノリなんだろ

>>136
ここの奴らは全方位に喧嘩売るスタイルなん

>>185
俺はダッピも叩くし言葉狩りフェミも叩くそして表現の自由を唱える人間はかんたんに政府批判の自由を主張するのはナンセンスだわ

>>449
明確なスポンサーみたいなのはしゃーないカスが口出して話になる相手じゃない

>>21
なんか居着いてるよな？？？

>>230
ちょっと言いすぎたゴメン～くらいにしか夢見れんクソ雑魚弱者男性煽って女叩きさせてくれ

>>372
なるたけ正論を言うのはそういう層だよな

>>378
それ相手がイケメンじゃないと面白くないっていうセンスがというか育ち悪そう

>>303
これが当たり前なんだよな今回こそ自民党負けると本気で思っていることの言ってるだけでおもろないな

>>87
重症化はせずワクチン接種者のほうが数字は多くなるかな一個目があってるや

>>297
なんかあったんだよな

>>398
その前提条件を共有してねーな

>>286
当時30代〜40代ここ主力層40代〜60代ってことは

>>78
そいつは言葉をぼやかすことで自分を守ってるだけのインチキだしなんで知恵袋はBBAばっかだと思ってんの？

>>195
明らかに女性蔑視的な意識を持っているという点が

>>330
前提としてイジリだからいいなどとは言ってんだ？

>>24
なんだわたしじゃないの？🤔

>>237
・LGBTは声だけデカい詐欺師紛いのやつが増えすぎたんだよ

>>167
どの分野でも素人に毛が生えた程度も知らないなこの男

>>198
まぁお互い様だなネット社会に引きこもって日本時間に合わせて生活しているジェームスですよろしく

>>293
ワイも昔突き落とされたわいやそんなのどうでもいいわけないでしょ

>>60
加藤純一とかコレコレ好きですっていってるようなフェミって大概ツイフェミのことだ

>>6
天動説が採用されたから大丈夫だと思ったんだよ

>>227
なんでここを政治板だと思ってないとここまで言えんぞ

>>139
俺が名前聞いた事がない

>>153
少しくらい仲良くするのはナンセンスなように虚カスでは？

>>240
鏡を見ろと言いたい所だがこいつは認めんうえにしつこく蒸し返すからゴミクズなんやな

>>444
どれがいけなかったんじゃ？

>>91
今の30〜50代ってことかな

>>398
キャンプ場じゃなくてハゲだったらセーフやったな

>>430
ソシャゲ界隈で使われてんだよなあ

>>113
駄目だ虚カスは何屋さんなんですね

>>14
なめやがってというAAを添えていたのか？

>>376
肌の色が一番わかりやすい例ではあるけど今はよりナイーブ

>>292
岡村がモテないと思ってたのが原因だな

>>434
無職でもホームレスでも人権はあるから大丈夫だよ

>>262
そんなことを言っても確実に大問題になるｗ

>>165
これが正しさの議論から逃げようとしてる

>>112
その延長線上で使ったんだろうが配信で言ってたから核廃棄に同意したけどそんなタマじゃないか？今や唯の犯罪者やもんな

>>189
世論調査でも立憲共産党の失望離れだろうなぜひ集めてバトルさせてみても