Tesseract OCR 日本語・英語文字認識（ソースコードと実行結果）

Tesseract OCR 最新版のダウンロードとインストールと動作確認

ダウンロードとインストール

1. 1. ダウンロード

   Tesseract OCR の公式ドキュメントのページを開きます。

   https://github.com/tesseract-ocr/tessdoc

   Windows の項目にある「Tesseract at UB Mannheim」（ドイツのマンハイム大学が提供するWindows用インストーラー）のリンクをクリックします。

   

   最新版のインストーラー（例: `tesseract-ocr-w64-setup-v5.5.0.20241111.exe`）を選択します。

   

   .exe ファイルのダウンロードが開始されます。

   
2. 2. インストーラーの起動と初期設定

   ダウンロードした .exe ファイルを実行します。

   最初の言語選択画面では「OK」をクリックします。

   

   ようこそ画面では「Next」をクリックします。

   

   ライセンス条項を確認し、同意する場合は「I Agree」をクリックして次に進みます。

   

   インストール対象ユーザーを選択します(Choose Users)。通常は既定値（Install for anyone using this computer）のままで問題ありません。「Next」をクリックします。

   
3. 3. コンポーネント（言語データ）の選択

   コンポーネント選択画面 (Choose Components) です。ここでOCR処理に必要な言語データを追加します。日本語を扱うため、以下の項目にチェックを入れてください。

   • Additional script data (download) で「Japanese script」と「Japanese vertical script」を選択してください。
   
   • Additional language data (download) で「Japanese」と「Japanese (vertical)」を選択してください。
   

   他のコンポーネントは必要に応じて選択しますが、通常は既定値のままで構いません。「Next」をクリックします。

4. 4. インストール先と完了

   インストールディレクトリ（フォルダ）を選択します(Choose Install Location)。通常は既定値 (`C:\Program Files\Tesseract-OCR`) のままで問題ありません。「Next」をクリックします。

   

   スタートメニューフォルダを選択します(Choose Start Menu Folder)。通常は既定値のままで問題ありません。「Install」をクリックするとインストールが開始されます。

   

   インストール完了画面が表示されたら、「Next」をクリックします。

   

   最終確認画面です。「Finish」をクリックしてインストーラーを終了します。

   

動作確認

コマンドを用いて，画像ファイルからの日本語OCR実行を行う．

1. 準備（画像ファイル、コマンドプロンプト）

   日本語の文章が書かれた画像ファイルを用意します。

   例として、次の画像はWikipedia「日本国憲法前文」から取得したものです。

   （参考）Wikipedia「日本国憲法前文」のURL: https://ja.wikipedia.org/wiki/%E6%97%A5%E6%9C%AC%E5%9B%BD%E6%86%B2%E6%B3%95%E5%89%8D%E6%96%87#%E5%89%8D%E6%96%87

   
2. Windows のコマンドプロンプトを開きます。

3. まず、コマンドプロンプトで `cd` コマンドを使い、画像ファイルが保存されているディレクトリ（フォルダ）に移動します。

4. コマンド実行（横書き）

   画像から文字を認識させます。以下のコマンド形式で実行します。

   "C:\Program Files\Tesseract-OCR\tesseract.exe" <画像ファイル名> outbase -l jpn
   

   コマンド解説:

   • "C:\Program Files\Tesseract-OCR\tesseract.exe": Tesseract OCRの実行ファイルへのパスです。既定の場所にインストールした場合のパスであり、異なる場所にインストールした場合は適宜変更してください。
   • <画像ファイル名>: 処理したい画像ファイル名（例: `image.png`）を指定します。
   • outbase: 出力ファイル名のベースを指定します。この場合、認識結果は `outbase.txt` という名前のテキストファイルに出力されます。
   • -l jpn: 使用する言語データを指定します。日本語の横書き文書の場合は「jpn」を指定します。日本語の縦書き文書の場合は「-l jpn_vert」を使用します。
   
5. 結果確認

   コマンド実行後、outbase.txtというファイルが生成されます。これをメモ帳などのテキストエディタで開いて、認識結果を確認します。

   notepad outbase.txt
   

   一般に、文字が大きく鮮明に写っている（解像度が高い）ほど、Tesseractは文字の形状を正確に捉えやすくなるため、認識精度が向上します。

   
   

Python開発環境，ライブラリ類

ここでは、最低限の事前準備について説明する。機械学習や深層学習を行う場合は、NVIDIA CUDA、Visual Studio、Cursorなどを追加でインストールすると便利である。これらについては別ページ https://www.kkaneko.jp/cc/dev/aiassist.htmlで詳しく解説しているので、必要に応じて参照してください。

winget install --scope machine --id Python.Python.3.12 -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 Include_pip=1 Include_test=0 Include_launcher=1 InstallLauncherAllUsers=1"

python --version

winget install --scope machine --id Codeium.Windsurf -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --custom "/SP- /SUPPRESSMSGBOXES /NORESTART /CLOSEAPPLICATIONS /DIR=""C:\Program Files\Windsurf"" /MERGETASKS=!runcode,addtopath,associatewithfiles,!desktopicon"
powershell -Command "$env:Path=[System.Environment]::GetEnvironmentVariable('Path','Machine')+';'+[System.Environment]::GetEnvironmentVariable('Path','User'); windsurf --install-extension MS-CEINTL.vscode-language-pack-ja --force; windsurf --install-extension ms-python.python --force; windsurf --install-extension Codeium.windsurfPyright --force"

必要なライブラリをシステム領域にインストール

管理者権限のコマンドプロンプトで以下を実行する。管理者権限のコマンドプロンプトを起動するには、Windows キーまたはスタートメニューから「cmd」と入力し、表示された「コマンドプロンプト」を右クリックして「管理者として実行」を選択する。

pip install opencv-python

Tesseract OCR 日本語・英語文字認識プログラム

概要

Webカメラから単一フレームを取得し、Tesseract OCRで日本語と英語の文字認識を行うPythonプログラム。認識テキストと平均信頼度を標準出力する。

前提条件

• Tesseract本体: 外部バイナリ（Windowsではtesseract.exe）の手動インストールが必要
• OpenCV: Webカメラ制御用ライブラリ（pip install opencv-pythonで手動インストール）
• 言語モデル: tessdata_fastのjpnとengを実行時に自動ダウンロード

主要技術

Tesseract OCR

Googleが開発したオープンソース光学文字認識エンジン。LSTMニューラルネットワークを基盤とし、100以上の言語に対応。本プログラムでは日本語（jpn）と英語（eng）のモデルを使用する。

tessdata_fast

軽量化された整数化LSTMモデルセット。速度と精度のバランスを重視したTesseract用学習済みモデル。

技術仕様

OCR設定

• OCRエンジンモード: OEM 1（LSTMエンジンのみ使用）
• ページセグメンテーション: PSM 6（単一均一テキストブロック処理）
• 言語指定: jpn+eng（日本語・英語混在対応）

信頼度算出

TSV（Tab-Separated Values）出力の各語conf値を算術平均して総合信頼度を算出。

実行方法

基本実行

python script.py

カメラ指定実行

python script.py 1

出力形式

標準出力に「認識テキスト[TAB]平均信頼度」を1行で出力。

例: Hello 世界 123 87.4

実装特徴

• 単一ファイル構成: 全機能を1つのPythonファイルに実装
• 自動モデル管理: 言語モデルをスクリプト直下のtessdataディレクトリに自動配置
• 環境変数制御: TESSDATA_PREFIXと--tessdata-dirで明示的パス指定
• マルチカメラ対応: コマンドライン引数でカメラデバイス番号指定可能

設定パラメータ

PSMモード選択指針

• 単一行テキスト: --psm 7
• 複数行テキスト: --psm 6（デフォルト）

後処理オプション

用途に応じて最小信頼度フィルタなどの後処理追加が可能。

参考文献

[1] Tesseract Development Team. (2024). tessdata_fast: Fast integer versions of trained LSTM models. GitHub. https://github.com/tesseract-ocr/tessdata_fast

[2] Tesseract OCR Documentation. (2024). Page segmentation modes explained. tesseract-ocr.github.io. https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html

ソースコード

# プログラム名: Tesseract OCR（カメラの単一フレームから日本語・英語をOCRするプログラム）
# 概要: カメラから1枚の画像を取得し、Tesseractで日本語+英語のOCRを行い、抽出テキストを出力する。
# 前準備（pipをプログラム内で実行しないこと）:
#   - pip install opencv-python を実行すること
#   - Tesseract OCR本体をインストールすること（Windows例: https://github.com/UB-Mannheim/tesseract/wiki）
# 使い方:
#   - python script.py [camera_index]
#   - camera_indexを省略した場合は0を使用する
# 注意:
#   - 初回実行時に英語/日本語の学習データをローカルにダウンロードする
#   - ネットワーク接続が必要である
import os, sys, shutil, subprocess, urllib.request, tempfile

try:
    import cv2
except ImportError:
    print("OpenCV(cv2)が必要。手動で 'pip install opencv-python' を実行すること。")
    sys.exit(1)

def dl(url, dst):
    if not os.path.exists(dst):
        os.makedirs(os.path.dirname(dst), exist_ok=True)
        urllib.request.urlretrieve(url, dst)

def ensure_models(tdir):
    os.makedirs(tdir, exist_ok=True)
    dl("https://github.com/tesseract-ocr/tessdata_fast/raw/main/eng.traineddata", os.path.join(tdir, "eng.traineddata"))
    dl("https://github.com/tesseract-ocr/tessdata_fast/raw/main/jpn.traineddata", os.path.join(tdir, "jpn.traineddata"))

def find_tesseract():
    p = shutil.which("tesseract") or r"C:\Program Files\Tesseract-OCR\tesseract.exe"
    if os.path.exists(p):
        return p
    print("tesseract.exe が見つからない。Windows用インストーラを手動導入すること。参考: https://github.com/UB-Mannheim/tesseract/wiki")
    sys.exit(1)

def grab_frame(dev=0):
    cap = cv2.VideoCapture(dev, cv2.CAP_DSHOW)
    if not cap.isOpened():
        cap = cv2.VideoCapture(dev)
    if not cap.isOpened():
        print("カメラを開けない")
        sys.exit(1)
    cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)
    ret, frame = cap.read()
    cap.release()
    if not ret:
        print("フレーム取得に失敗")
        sys.exit(1)
    return frame

def ocr_text(img, tess, tdir):
    tmp = os.path.join(tempfile.gettempdir(), "webcam_ocr_frame.png")
    cv2.imwrite(tmp, img)

    # プレーンテキストで取得
    cmd_text = [
        tess, tmp, "stdout",
        "-l", "jpn+eng",
        "--psm", "3",
        "--tessdata-dir", tdir
    ]

    result_text = subprocess.run(cmd_text, capture_output=True)
    text = result_text.stdout.decode('utf-8', errors='ignore').strip()

    return text

def main():
    print("概要: カメラから1枚の画像を取得し、日本語+英語のOCR結果を表示する。")
    print("操作: python script.py [camera_index] でカメラ番号を指定できる。省略時は0。")
    print("注意: Tesseract OCR本体のインストールが必要。学習データは自動取得。ネットワーク接続が必要。")
    print("画像表示: OCR処理後に画像を表示。何かキーを押すと終了。")

    dev = int(sys.argv[1]) if len(sys.argv) > 1 and sys.argv[1].isdigit() else 0
    tess = find_tesseract()
    tdir = os.path.join(os.path.dirname(__file__) or ".", "tessdata")
    ensure_models(tdir)
    img = grab_frame(dev)
    text = ocr_text(img, tess, tdir)
    print(text)

    cv2.imshow("OCR Target Image", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    main()