質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
87.20%
Tesseract

Tesseractは、Googleが提供しているオープンソースのOCRエンジンです。機械学習があり60以上の言語に対応でき、日本語の文字認識も可能です。さらに精度を上げることもできます。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

解決済

TesseractでのOCRを正規表現で制御したい

Koto_2131
Koto_2131

総合スコア4

Tesseract

Tesseractは、Googleが提供しているオープンソースのOCRエンジンです。機械学習があり60以上の言語に対応でき、日本語の文字認識も可能です。さらに精度を上げることもできます。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

1回答

0リアクション

0クリップ

1303閲覧

投稿2021/09/01 00:18

pyocrからTesseractを使用し、pdfの帳票の一部分を切り出した画像の文字おこしを行いたいと考えています。

読み取りたい値はフォーマットが決まっており、1ケタから3ケタの数字 + 末尾にAからGまでのアルファベットがついており、すでに切り取りや二値化などの処理は終わった状態で渡されています。

ホワイトリストオプションで、
tessedit_char_whitelist 0123456789ABCDEFG
と指定しましたが、"8"が"G"等と誤読され、

G4F
1G0A

等とフォーマット上ありえない文字列として読み取られることが多くありました。

調べていく中で、正規表現で出力を制御できるような書き込みを見つけたのですが、実際のオプション設定の方法が記載されておらず、「Tesseract 正規表現」などと検索しても目当ての情報を得ることができませんでした。

自分の認識としては、
^[0-9]{1-3}[A-G]$
のようにすることで、末尾1文字を指定アルファベット、それ以外を数字として絞り込んだ状態で認識してくれる様なイメージでした。
これはOCR後の文字列から正規表現で検索できるという意味だったのでしょうか。
もし正規表現を使用した方法があればご教授願いたいです。

以下のような質問にはリアクションをつけましょう

  • 質問内容が明確
  • 自分も答えを知りたい
  • 質問者以外のユーザにも役立つ

リアクションが多い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

気になる質問をクリップする

クリップした質問は、後からいつでもマイページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

下記のような質問は推奨されていません。

  • 間違っている
  • 質問になっていない投稿
  • スパムや攻撃的な表現を用いた投稿

適切な質問に修正を依頼しましょう。

まだ回答がついていません

会員登録して回答してみよう

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
87.20%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問

同じタグがついた質問を見る

Tesseract

Tesseractは、Googleが提供しているオープンソースのOCRエンジンです。機械学習があり60以上の言語に対応でき、日本語の文字認識も可能です。さらに精度を上げることもできます。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。