【Java】 画像から文字列を取得する [1] ～ 光学文字認識 / OCRライブラリ・基本編 ～

Javaツール

画像から文字列を取得する

 * 光学文字認識(Optical Character Recognition;OCR）ライブラリを使用する

OCRライブラリ

[1] NHocr
[2] Tesseract-OCR / Tess4J
[3] Eye
[4] Java OCR
[5] Aspire OCR

個人的見解

 + フリーで、日本語対応で使用できそうなのは、[1]or[2]
 + 日本語のみの比較なら[1]の方がよさそう
 + アルファベット交じりの場合、[2]（もしくは[1]との併用）

[1] NHocr

 * 日本語サポート
 * サポート画像：PBM/PGM/PPM
 * プログラム言語：C++（Javaじゃないので直接使う事は出来ない）

v0.22の制約事項

https://ja.osdn.net/projects/nhocr/docs/about-140830/ja/19/about-140830.html
より、以下の事項は認識率が悪い。
 * 全角・半角の文字が混在
 * プロポーショナルフォント
 * ASCII文字

ライセンス

 * Apache License V2.0

 * ライセンスについては、以下の関連記事を参照のこと
http://blogs.yahoo.co.jp/dk521123/35506016.html

デモサイト

http://maggie.ocrgrid.org/nhocr/index-j.html

ダウンロードサイト

https://ja.osdn.net/projects/nhocr/

環境設定

 * 以下の関連記事を参照のこと。
OCRライブラリ「NHocr」をインストールする ～ Debian編 ～
http://blogs.yahoo.co.jp/dk521123/36629271.html

[2] Tesseract-OCR / Tess4J

 * Tesseract（テッセラクト） = 四次元立方体
 * プログラム言語：C++ => Tess4J は、Javaで使用できるようにラップしたもの
 * 日本語サポート
 * 機械学習により、精度を上げることができる

ライセンス

https://github.com/tesseract-ocr/tesseract
 * Apache License V2.0

公式サイト

https://github.com/tesseract-ocr/tesseract/wiki
* Tess4J
http://tess4j.sourceforge.net/

ダウンロードサイト

https://github.com/tesseract-ocr
* Tess4J
https://sourceforge.net/projects/tess4j/?source=typ_redirect

サンプル

 * 以下の関連記事を参照のこと。
http://blogs.yahoo.co.jp/dk521123/36628821.html

[3] Eye

 * 100% Java製

公式サイト

http://eyeocr.sourceforge.net/

ダウンロードサイト

https://sourceforge.net/projects/eyeocr/files/?source=navbar

[4] Java OCR

 * 100% Java製
 * ドキュメントが(英語含めて)、全然ない...
  => ソースから解説するしかなさそう。
    「net.sourceforge.javaocr.ocrPlugins.mseOCR.OCRScanner」クラス付近から見てみるといいかもしれないが...

ライセンス

 * Apache License V2.0

ダウンロードサイト

https://sourceforge.net/projects/javaocr/
ソースコード
https://sourceforge.net/projects/javaocr/files/Releases/

参考文献

http://at-j.co.jp/blog/?p=2927
http://wordpress.ideacompo.com/?p=5546

NHocr

For Linux
http://bassabsoft.blogspot.jp/2010/03/optical-japanese-character-recognize.html
http://diary.overlasting.net/2010-07-01-3.html
http://dsaku.hatenablog.com/entry/2014/01/03/120430
http://d.hatena.ne.jp/simpg/20120922/1348283995
For Raspberry PI
http://www.neko.ne.jp/~freewing/raspberry_pi/raspberry_pi_3_ocr_nhocr/
For Windows
http://blog.livedoor.jp/unker/archives/1068511.html

Tesseract-OCR

http://kevin3sei.blog95.fc2.com/blog-entry-168.html
http://independence-sys.net/main/?p=1777
http://hadashi-gensan.hatenablog.com/entry/2014/01/15/135316
in java
http://tphangout.com/how-to-use-the-tesseract-api-to-perform-ocr-in-your-java-code/

関連記事

画像から文字列を取得する [2] ～ Tesseract-OCR / Tess4J 編 ～

http://blogs.yahoo.co.jp/dk521123/36628821.html

漢字からカタカナを取得する (日本語形態素解析ライブラリ)

http://blogs.yahoo.co.jp/dk521123/36627267.html

【Linux】 OCRライブラリ「NHocr」をインストールする ～ Debian編 ～

http://blogs.yahoo.co.jp/dk521123/36629271.html

ライセンスについて

http://blogs.yahoo.co.jp/dk521123/35506016.html