Mac端末上でpytesseractを使って画像文字認識（英語、日本語）を試してみた

若槻龍太

2022.08.19 14:56

この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。

こんにちは、CX事業本部 IoT事業部の若槻です。

pytesseractは、文字認識（OCR）エンジンおよびそれを使用するためのCLIを提供するTesseractのPython実装です。

pytesseract · PyPI

今回は、Mac端末上でpytesseractを使って画像文字認識（英語および日本語）を試してみました。

やってみた

環境

端末はM1 MacBookとなります。

$ sw_vers
ProductName:    macOS
ProductVersion: 12.5
BuildVersion:   21G72

最初にPythonが未導入だったのでインストールします。

brew install python

インストールできました。

$ python3 -V
Python 3.8.9

$ pip3 -V
pip 20.2.3 from /Library/Developer/CommandLineTools/Library/Frameworks/Python3.framework/Versions/3.8/lib/python3.8/site-packages/pip (python 3.8)

Tesseractの導入

Tesseractは、まずBrewで本体をインストールした後にpipでpytesseractをインストールします。（いきなりpip3 install pytesseractしようとするとエラーとなる）

brew install tesseract
pip3 install pytesseract

英語の文字認識してみる

まず英字が写った画像（string.png）を認識させてみます。

$ python3
>>> import pytesseract
>>> from PIL import Image
>>> str_img = Image.open('string.png')
>>> str = pytesseract.image_to_string(str_img)
>>> print(str)
Classmethod

Providing continuous support of creative activities to all people

一字一句正確に文字認識できていますね！

次に表形式に英語および数字が記載された画像（numbers.png）を認識させてみます。

>>> num_img = Image.open('numbers.png')
>>> num = pytesseract.image_to_string(num_img)
>>> print(num)
FY2018 FY2019 FY2020 FY2021 FY2022

7,414 13,199 21,678 30,486 42,710

こちらも正確に文字認識できています！

日本語対応させてみる

Tesseractは既定のパッケージでは日本語に対応していません。

>>> pytesseract.get_languages()
['eng', 'osd', 'snum']

調べてみるとtesseract-ocr-jpnをHomebrewでインストールすれば良さげな情報が出てきますが、現時点でFormulaeに登録が無いようで失敗します。

## エラーとなる
$ brew install tesseract-ocr-jpn
Warning: No available formula with the name "tesseract-ocr-jpn". Did you mean tesseract?
==> Searching for similarly named formulae...
This similarly named formula was found:
tesseract ✔
To install it, run:
  brew install tesseract ✔
==> Searching for a previously deleted formula (in the last month)...
Error: No previously deleted formula found.
==> Searching taps on GitHub...
Error: No formulae found in taps.

さらに他の方法を調べたところ次の記事が参考になりました。

MacでTesseract OCRを使って画像内のテキストを取り出してみる – 株式会社ルーター

まず日本語の訓練データを下記よりダウンロードします。

tesseract-ocr/tessdata_best: Best (most accurate) trained LSTM models.

対象は以下の2つです。後者は縦書き対応のデータとなります。

[Download]ボタンでダウンロードできます。

これらのダウンロードした訓練データをTesseractのshare/tessdata/パス配下に配置します。パスはbrew list tesseractで確認できます。

$ brew list tesseract
/opt/homebrew/Cellar/tesseract/5.2.0/bin/tesseract
/opt/homebrew/Cellar/tesseract/5.2.0/include/tesseract/ (12 files)
/opt/homebrew/Cellar/tesseract/5.2.0/lib/libtesseract.5.dylib
/opt/homebrew/Cellar/tesseract/5.2.0/lib/pkgconfig/tesseract.pc
/opt/homebrew/Cellar/tesseract/5.2.0/lib/ (2 other files)
/opt/homebrew/Cellar/tesseract/5.2.0/share/tessdata/ (35 files)

確認したパスに２つの訓練データを配置します。

mv ~/Downloads/jpn.traineddata /opt/homebrew/Cellar/tesseract/5.2.0/share/tessdata/jpn.traineddata
mv ~/Downloads/jpn_vert.traineddata /opt/homebrew/Cellar/tesseract/5.2.0/share/tessdata/jpn_vert.traineddata

Pythonのプロセスを再起動して利用可能な言語一覧を再度確認すると、jpnおよびjpn_vertが追加されています！

$ python3
>>> import pytesseract
>>> pytesseract.get_languages()
['eng', 'jpn', 'jpn_vert', 'osd', 'snum']

それでは日本語が写った画像（string_jp.png）を認識させてみます。

pytesseract.image_to_stringでlangオプションを指定すると、文字認識させられました。

>>> from PIL import Image
>>> str_jp_img = Image.open('string_jp.png')
>>> str_jp = pytesseract.image_to_string(str_jp_img, lang="jpn")
>>> print(str_jp)
私 た ち は 新 し い テ クノ ロジ ー に よる
「 課 題 解 決 」 と 「 価 値 創 造 」 で
企業 の 競争 力 を 高め ます

余計なスペースは入っていますが、文字の認識の誤りはなく精度は高そうです！