Ubuntu で Tesseract 3.0.4 の学習（訓練）

Tesseract-OCR のインストール

1. システムの更新

   sudo apt-get update
   sudo apt-get upgrade
   sudo apt-get dist-upgrade
   

2. Tesseract-OCR のインストール

   sudo apt-get install tesseract-ocr-dev
   sudo apt-get install tesseract-ocr 
   sudo apt-get install tesseract-ocr-jpn 
   

3. Tesseract のバージョンの確認

   tesseract -v 
   

   実行結果の例

   

4. テスト実行

   画像ファイルを用意し、テスト実行してみる

   tesseract 48.png -l jpn outbase 
   cat outbase.txt 
   

   

フォントファイルの準備

1. Tesseract の langdata のダウンロード

   ※ /tmp/langdata に langdata をダウンロードする

   cd /tmp
   git clone git://github.com/tesseract-ocr/langdata.git
   

   

2. 確認

   ls /tmp/langdata 
   

   次のように表示されれば OK．

   

3. 縦書きしないことにしたいので、/tmp/landdata/jpn/jpn.config から、次の行を消す

   tessedit_load_sublangs jpn_vert
   

   

4. フォントのインストール

   Ubuntu での実行手順例をつぎに示す．

   sudo apt-get install -y fonts-takao-gothic
   sudo apt-get install -y fonts-takao-mincho
   sudo apt-get install -y fonts-takao-pgothic
   sudo apt-get install -y fonts-takao
   sudo apt-get install -y fonts-hanazono
   sudo apt-get install -y fonts-horai-umefont
   sudo apt-get install -y fonts-mona
   sudo apt-get install -y fonts-monapo
   sudo apt-get install -y fonts-sawaribi-gothic
   sudo apt-get install -y fonts-umeplus
   sudo apt-get install -y fonts-ipaexfont
   sudo apt-get install -y fonts-ipaexfont-gothic
   sudo apt-get install -y fonts-noto-cjk
   sudo apt-get install -y fonts-noto 
   sudo apt-get install -y fonts-noto-hinted 
   sudo apt-get install -y fonts-noto-mono
   sudo apt-get install -y fonts-noto-unhinted 
   sudo apt-get install -y ttf-mscorefonts-installer
   

5. Ubuntuにインストールされているフォントの確認

   text2image --list_available_fonts --fonts_dir /usr/share/fonts 
   

   

   実行結果の例

   

6. /usr/share/tesseract-ocr/language-specific.sh

   Ubuntuにインストールされていないフォントは、この設定ファイルの中から消したい

   JPN_FONTS のところで、 次を削除することにする（両方とも削除）

       "TakaoExGothic" \
       "TakaoExMincho" \
   

       "VL Gothic" \
       "VL PGothic" \
   

   編集の結果、次のようになる

   

   縦書きを行わないことにしたいので、VERTICAL_FONTS のところで、 次の2行を削除することにする

       "TakaoExGothic" \ # for jpn
       "TakaoExMincho" \ # for jpn
   

   編集の結果、次のようになる

   

7. 確認のため，tesstrain.sh を実行してみる

   ※ フォントのインストールと設定ファイルに問題がないかの確認のため

   tesstrain.sh --overwrite --lang jpn --langdata_dir /tmp/langdata 
   

   

8. 上の実行の結果、エラーメッセージが出ていないことを確認

9. インストール済みの jpn.traineddata を上書き

   sudo cp /tmp/tesstrain/tessdata/jpn.traineddata /usr/share/tesseract-ocr/tessdata/jpn.traineddata 
   

   

10. テスト実行

    ※ 生成された jpn.traineddata に問題が無いかの確認のため

    tesseract 48.png -l jpn outbase 
    cat outbase.txt 
    

    

11. フォントを追加したいので、/tmp/langdata/font_properties を編集

    IPAexMincho 0 0 0 1 0
    IPAexGothic 0 0 0 0 0
    Noto Sans Gothic 0 0 0 0 0
    Ume_Gothic 0 0 1 0 0
    Ume_P_Gothic 0 0 0 0 0
    

    

12. フォントを追加したいので、/usr/share/tesseract-ocr/language-specific.sh を編集

    次を追加

    IPAexMincho 
    IPAexGothic 
    Noto Sans Gothic
    Ume Gothic
    Ume P Gothic
    UmePlus Gothic
    UmePlus P Gothic
    

    

13. tesstrain.sh を実行

    tesstrain.sh --overwrite --lang jpn --langdata_dir /tmp/langdata 
    

    

14. 上の実行の結果、エラーメッセージが出ていないことを確認

15. インストール済みの jpn.traineddata を上書き

    sudo cp /tmp/tesstrain/tessdata/jpn.traineddata /usr/share/tesseract-ocr/tessdata/jpn.traineddata 
    

    

16. テスト実行

    ※ 生成された jpn.traineddata に問題が無いかの確認のため

    tesseract 48.png -l jpn outbase 
    cat outbase.txt