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!

ただいまの
回答率

89.20%

C#で画像から日本語のテキストを読み取りたい(OCRしたい)。

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 8,700

aglkjggg

score 751

前提・実現したいこと

C#で画像から日本語のテキストを読み取りたい(OCRしたい)。

発生している問題

現在C#でtesseract ※1を利用しています。

こちらの jpn.traineddataは認識精度がとても悪かったので、
https://github.com/tesseract-ocr/tessdata/blob/master/jpn.traineddata

以下の記事を参考に、tesstrain.shを用いて「メイリオ(Meiryo)」だけの言語データを作成し、
OCRを行ったのですがそれでも認識精度がイマイチです。
http://qiita.com/atuyosi/items/c0933b5edf605c4a7c19

イメージ説明
↑読み取り対象の画像です。(フォントはメイリオです)

イメージ説明

tessract-ocrの実行結果

※1
NuGet - Tesseract
https://www.nuget.org/packages/Tesseract/

また、以下のように認識のホワイトリストも付け加えましたが精度は向上しませんでした。

tesseract.SetVariable("tessedit_char_whitelist", "アイウエオァィゥェォカキクケコガギグゲゴサシスセソザジズゼゾタチツテトダヂヅデドナニヌネノハヒフヘホバビブベボパピプペポマミムメモヤユヨラリルレロワヲンーabcdefghijklmnopqrtsuvwxyz");

 プログラム

static string GetStringFromImage(Bitmap img)
{
    using (var tesseract = new Tesseract.TesseractEngine(@"C:\", "jpn"))
    {
        var page = tesseract.Process(img);
        return page.GetText();
    }
}

NHocrも利用してみましたがtessract-ocrより精度が悪く実用性が感じられませんでした。

  • 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。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 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

    評価が高い質問は、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。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

+1

ご質問の意図は、OCRの認識精度を向上させたい、でよろしいですね。

質問文ではライブラリの話が中心になっていますが、
認識対象の画像を自前で作れる(補正できる)場合は、
精度向上の工夫の余地がたくさんあります。

OCRのアルゴリズムには、文字認識だけではなく、
文字抽出の工程もあるからです。

たとえば、画像拡大、解像度向上、ハイコントラスト化、
ノイズ除去、二値化、角度補正、……などなど。

さらに、もし対象の文章も自前で作れる場合には、
フォント、行間、字間、難読漢字の校正など、
あらかじめOCRを見すえた編集工程にします。
そもそも紙からテキストデータへの変更が可能ならします。

購入した書籍だからそれはできない……という場合が多いでしょうが、
その場合も、OCRしやすい本を買う、電子書籍を買う、洋書を買う、
という選択肢もあります。本末転倒のようですが、
目的のために手段を選ばない場合には参考までに。

そもそも、たんに実用面だけの話をすれば、
日本語は漢字の種類が多いので、いくらグーグルでもこれに関しては、
国内の市販ソフトの方が日本語読み取りの精度が高いようです。

そこをどうしてもライブラリにこだわるなら、
やはり認識前の工程でどれだけ下ごしらえできるかだと思います。

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答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

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2016/09/10 02:21

    残念ながら読み取り対象データは帰ることが不可能ですので、
    まずはフリーのtessractで、
    読み取り精度が高くなるように画像処理を加える事をトライしてみます。

    試しにGoogle Visionも利用してみて、精度はなかなかよかったのですが、
    オフラインでの動作を求めていたので今回は見送りました。
    ※tessractもHPが開発したのをgoogeが引き継いだようですが

    どうしてもダメであれば国内が出している有償ライブラリも価格等考慮して購入を検討してみます。

    キャンセル

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 89.20%
  • 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られる