Java ＯＣＲ 文字大きさ指定

Question

Tesseract OCRを使う際に特定の文字の大きさ以上のみを結果で抽出したいのですがそのプログラムが分からないです。!
この画像だと　もうどう広告したらいいのかわからないので。　のみを抽出させたいんです。
いまいち調べてもこれといったコードやプログラムが出てこなくて困っています。もしくはそもそも文字の大きさで抽出するのは不可能なのでしょうか。
些細なコードやプログラムでもいいので教えていただけると助かります。最悪画像内の一定のサイズ以下のものを白にした画像を作成して文字認識を行うみたいな方法でも構いません

Answer 1

Tess4Jを使って、読み取った後のキャンバス（Rectangle）指定をすれば何とか読めるかと。

package tess_sample;

import java.awt.Rectangle;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;

import javax.imageio.ImageIO;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

/**
 * @author a-pz
 *
 */
public class TessSample {

    public static void main(String[] args) throws IOException, TesseractException {
        BufferedImage img = ImageIO.read(new File("sample.jpeg"););

        ITesseract tesseract = new Tesseract();
        tesseract.setDatapath("."); // jpn.traineddataのディレクトリを指定
        tesseract.setLanguage("jpn"); // 解析言語：「日本語」

        String str = tesseract.doOCR(img, new Rectangle(600,300)); // RectangleでOCRで読み込む対象サイズを指定

        System.out.println(str);
    }

}

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0</modelVersion>
  <groupId>Java11Sampe</groupId>
  <artifactId>Java11Sampe</artifactId>
  <version>0.0.1-SNAPSHOT</version>
  <build>
    <sourceDirectory>src</sourceDirectory>
    <plugins>
      <plugin>
        <artifactId>maven-compiler-plugin</artifactId>
        <version>3.8.1</version>
        <configuration>
          <release>15</release>
        </configuration>
      </plugin>
    </plugins>
  </build>
</project>

実行結果：

っ @IiNRCI
も う
ど う 広 告 し た ら い い の か
わ か ら な い の で 。

参照記事：
JavaでORC

Comments

[nakazimakentoi]

Rectangle(600,300))でサイズを定めているのでしょうか

[A-pZ]

この例ではそうですね。