OCRFeeder徹底レビュー ― 画像内の文字をテキストに変換するLinux OCRソフト

ここ数年、本当にクールで新しくユニークなLinuxソフトウェアを見つけるのは、難しい作業になってしまいました。正確に言えば、この4〜5年ほどのことであり、デスクトップ分野における熱意とイノベーションの緩やかな衰退が始まって以来のことです。限られた知性の中に存在できる良質なものには限界がありますが、モバイルへの焦点の誤った移行や、「Linuxの年」の夢が打ち砕かれたことを忘れてはなりません。

そう考えると、公開から4年が経過したソフトウェア「OCRFeeder」をテストするのは十分意味のあることだと思います。理由は2つあります。第一に、良いものは今でも良いということ。第二に、光学文字認識(OCR)の進歩、そして私たちのツール(いわゆるAI)がこの分野でどれだけ実用的な仕事をできるのかに、昔から興味があったからです。以前このテーマについて詳細な記事を書いたことがあり、2015年にはYAGFもレビューしました。今回はOCRFeederが何をしてくれるのか、じっくり見ていきましょう。勇敢なLinux戦士の皆さん、どうぞお付き合いください。

JPGから言葉は簡単には生まれない

早速プログラムをインストールしました。必要なライブラリはかなり多く、Ubuntu 18.04では依存パッケージのリストが何行にも及びました。このプログラムには、デフォルトのOCRエンジンとしてTesseractが同梱されます。

The following additional packages will be installed:
blt gir1.2-goocanvas-2.0 gir1.2-gtkspell3-3.0 libgoocanvas-2.0-9 libgoocanvas-2.0-common libgtkspell3-3-0 liblept5 libtesseract4 libyelp0 python-bs4 python-chardet python-enchant python-html5lib python-lxml python-numpy python-olefile python-pil python-renderpm python-reportlab python-reportlab-accel python-sane python-tk python-webencodings tesseract-ocr tesseract-ocr-eng tesseract-ocr-osd tk8.6-blt2.5 unpaper yelp yelp-xsl

Suggested packages:
blt-demo python-gobject python-wxgtk3.0 python-genshi python-lxml-dbg python-lxml-doc gfortran python-dev python-nose python-numpy-dbg python-numpy-doc python-pil-doc python-pil-dbg python-renderpm-dbg python-egenix-mxtexttools python-reportlab-doc python-sane-dbg tix python-tk-dbg

起動してみると、インターフェースはやや実務的で無骨な印象です。まず1枚以上の画像を読み込み、それをOCRエンジンに「入力」として渡します。うまくいけば、出力側でそこそこの精度のテキストが得られるはずです。変換が完了したら、結果をLibreOffice形式でエクスポートできます。

複数のOCRエンジンに対応

先述の通り、OCRFeederはデフォルトでTesseractを使用しますが、好みの他のエンジンを追加することも可能です。実際にCuneiForm、GOCR、Ocradを試してみたところ、プログラムはこれらすべてを正しく検出して読み込みました。なかなか優秀です。これにより、同じ文書を複数のエンジンで処理できるため、エンジンによって認識精度に差がある場合でも、うまくいく方法を見つけやすくなります。

sudo apt-get install cuneiform gocr ocrad

画像からテキストへの変換

さて、ここからが本題です。実はこの部分で少し苦労しました。読み込んだすべての画像に対して自動テキスト検出(全ページ認識)を実行させたところ、奇妙な色分けされた出力が表示されました。読み込んだ3つのPNGファイルの処理には約3分かかり、その間、OCRFeederのCPU使用率は約17%、Tesseractは約4〜5%にとどまっていました。アプリケーションがプロセッサのコアをもっと効率的に活用できれば、処理時間は確実に短縮できるはずです。そして問題の奇妙な出力ですが、正直どう扱えばいいのか分かりませんでした。まるで何も進んでいないような感覚です。

その後、マウスで表示中の画像の一部をドラッグして選択できることに気づきました。すると別のペインが開き、そこで任意のOCRエンジンを選択して、実際の変換を実行できるのです。多少の表示上の不具合はあるものの、こちらの方法はかなり良好に機能し、各画像の処理はわずか数秒で完了しました。

トレーニングやデフォルト設定の変更を一切行わない状態では、4つの利用可能なエンジン間で結果のばらつきは非常に大きかったです。Tesseractが最良の、そして唯一許容できる変換結果を示しました。残りのエンジンは、使い物になるレベルには到底達していませんでした。理由は定かではありませんが、そういうものなのです。

また、グレー背景の画像ではより良い結果が得られることにも気づきました。かつてのTesseractはこうした画像に苦戦していたので、このエンジンに加えられた改良は大いに歓迎すべきものです。ただしこれは厳密にはOCRFeeder固有の話ではなく、望むならコマンドラインからTesseractを単独で実行することもできます。

傾き補正とunpaper機能

OCRFeederには2つの便利な機能が備わっています。1つ目は、傾いたスキャン画像内のテキストを自動回転で補正する機能。2つ目は、紙の背景を除去してノイズを減らし、より正確な変換を可能にする機能です。両方のオプションを試してみましたが、「Deskew(傾き補正)」は問題なく動作しました。「Unpaper(背景除去)」はまずまずといったところです。ただし、テキストを回転補正した後(かつて比較用画像をGIMPで手動補正したときと同様)、変換結果はさらに向上しました。

ODT形式へのエクスポート

この機能は少し癖がありました。何度か試すうちに、いくつものエラーに遭遇しましたが、最終的には成功しました。出力結果は決して美しいとは言えませんが、良い点は、異なる画像に異なるエンジンを使用した場合でも、複数の変換結果を同時にエクスポートできることです。なかなか便利な機能です。

環境設定

最後に、プログラムの動作を変更するオプションも用意されています。劇的な変更ができるわけではありませんが、テキスト検出や認識精度の向上に役立ちます。主な設定項目は、テキスト列の幅の検出方法、余白、言語選択などです。ほとんどのユーザーにとって、デフォルト設定がまずは妥当な出発点となるでしょう。

まとめ

OCRFeederは合理的で柔軟性のあるソフトウェアです。複数のOCRエンジンを利用でき、画像補正アルゴリズムも魅力的な追加機能となっています。これらの特徴から、OCRFeederはフリーソフトウェア市場において、この種のツールとしては最も有望な存在と言えるでしょう。ただし、その期待はすぐに打ち砕かれるかもしれません。誰かが開発を引き継がない限り、近いうちにアップデートが提供される可能性は低いからです。この分野には需要があるのに、Linuxの世界は疲弊と無関心の間で苦しい立場に置かれているのです。

それはさておき、古さやアップデートの問題は別として、総じてOCRFeederは期待に応えてくれました。変換品質は悪くなく、GUIを使って作業しても何の損もありません。エクスポート機能のおかげで、後から編集しやすい整形済みドキュメントを作成できます。Tesseractの進化にも満足しています。もしテキスト情報を含む画像が大量にあって、古い帳票の手書き文字を現代的で使いやすいデータに変換したいのであれば、ぜひ試してみる価値があります。OCRFeederはPDFにも対応しており、スキャナから直接読み込むことも可能です。実験してみる価値は十分にあります。それでは、また次回。

ご清聴ありがとうございました。