TesseractOCRを使ってみる。

仕事と関係ないんだけど、
画像認識やら音声認識やらの「ほにゃらら認識」に興味が沸いたのでちょっと手を出してみた。
GoogleのOCRプロジェクト：TesseractOCR
http://code.google.com/p/tesseract-ocr/


現在のバージョンは3.0.
どうやら日本語にも対応しているみたい。しかもトレーニング次第で認識率が上がるとか。
ほぅ。

せっかくさくらVPSもあることだし、とりあえずインスコ。

特に気をつけることもなくあっさりインストールできた。

気をつけるべきトコとしては、先に以下のライブラリを入れとくくらい。

yum install libpng-devel
yum install libjpeg-devel
yum install libtiff-devel
yum install zlib-devel

※ これだけで準備できてるんだけど、とりあえずLeptonicaも。画像処理のライブラリ.

wget http://www.leptonica.com/source/leptonica-1.68.tar.gz
tar -xvzf leptonica-1.68.tar.gz
cd leptonica-1.68
./configure
make
make install

さてと。準備は出来た。
ここからスタート。 Teseract本体、言語データのダウンロード。

1. ここから適当なところにソースを持ってくる。
   こんな感じ。
   

   $ wget http://tesseract-ocr.googlecode.com/files/tesseract-3.00.tar.gz
   $ wget http://tesseract-ocr.googlecode.com/files/jpn.traineddata.gz

2. 展開.
   

   $ tar xvzf tesseract-3.00.tar.gz

   $ gzip -d jpn.traineddata.gz

3. 
   言語データを移動..
   

   $ mv jpn.traineddata tesseract-3.00/tessdata

4. tesseract本体のディレクトリに移動し、インストール開始。
   

   $ cd tesseract-3.00
   $ ./configure
   $ make
   # make install 

使い方は、こんな感じ。（日本語）

$ tesseract hoge.tiff aaaa -l jpn

hoge.tiffから読み取った文字列をaaaa.txtに出力してくれる様子。

むむ・・・。とりあえず、トレーニングしてみるか。