Tesseract OCR のインストール（ソースコードを使用）（Ubuntu 上）

第１章　前準備

Ubuntu のシステム更新

Ubuntu で OS のシステム更新を行うときは， 端末で，次のコマンドを実行する．

Ubuntu で OS のシステム更新を行うときは， 端末で，次のコマンドを実行する。これは、パッケージ情報を最新の状態に保ち、インストール済みのパッケージをセキュリティアップデートやバグ修正を含めて更新するためである。

# パッケージリストの情報を更新
sudo apt update
# インストール済みのパッケージを包括的に更新（依存関係も考慮）
sudo apt full-upgrade
# カーネル更新等で実際に再起動が必要な場合のみ実行を推奨
# sudo shutdown -r now

Git, CMake のインストール（Ubuntu 上）

インストールするには，端末で，次のコマンドを実行する．

sudo apt -y install git cmake cmake-curses-gui cmake-gui

C/C++ コンパイラと Make とビルドツールのインストール

ソフトウェアをソースコードからビルドするには、C/C++コンパイラ（通常はGCC）や make ユーティリティといった開発ツールが必要である。Ubuntuでは、これらのツールは build-essential パッケージにまとめられている。インストールするには，端末で，次のコマンドを実行する。

sudo apt -y install build-essential libtool texinfo dpkg-dev pkg-config

libtool, texinfo, dpkg-dev, pkg-config は、より複雑なビルドやパッケージ管理の際に役立つ開発関連ツールである。

第２章　Tesseract のアンインストール（Ubuntu 上）

apt を用いてインストールされていた Tesseract のアンインストール

これは，apt を使って Tesseract をインストールしていた場合の アンインストール操作である。

sudo apt --purge remove libtesseract-dev libtesseract4 tesseract-ocr tesseract-ocr-eng tesseract-ocr-jpn tesseract-ocr-osd tesseract-ocr-script-jpan tesseract-ocr-script-jpan-vert

第３章　ダウンロードとビルドとインストール

1. Leptonica のインストール

   Leptonica は画像処理・画像解析のソフトウェア・ライブラリである。

   Leptonica の URL: https://github.com/DanBloomberg/leptonica

   # パッケージリストの情報を更新
   sudo apt update
   sudo apt -y install zlib1g-dev
   sudo apt -y install libpng-dev libjpeg-dev libtiff5-dev libsdl-gfx1.2-dev libsdl-image1.2-dev libsdl1.2-dev libavcodec-dev libavdevice-dev libavformat-dev libavutil-dev 
   sudo apt -y install python3-enchant python3-poppler-qt5
   
   cd /tmp
   rm -f leptonica-1.87.0.tar.gz
   curl -O https://leptonica.org/source/leptonica-1.87.0.tar.gz
   tar -xvzf leptonica-1.87.0.tar.gz
   cd leptonica-1.87.0
   rm -rf build
   mkdir build
   cd build
   cmake -DBUILD_PROG=ON -DCMAKE_C_FLAGS="-DPIC -fPIC" -DCMAKE_CXX_FLAGS="-DPIC -fPIC" ..
   make
   sudo make install
   sudo /sbin/ldconfig
   

2. Tesseract のインストール

   Tesseract は OCR エンジンのソフトウェアである。安定版の最新バージョンは5.5.1である。

   Tesseract の URL: https://github.com/tesseract-ocr/

   「make LIBS="-lz -lpng -ljpeg -ltiff -lwebp"」で 「LIBS="-lz -lpng -ljpeg -ltiff -lwebp"」を付けているのは， 「/usr/bin/ld: /usr/local/lib/libleptonica.a(libversions.c.o): undefined reference to symbol 'zlibVersion' /usr/bin/ld: /lib/x86_64-linux-gnu/libz.so.1: error adding symbols: DSO missing from command line 」というエラーメッセージが出るのを回避するためである。

   # パッケージリストの情報を更新
   sudo apt update
   sudo apt -y install automake libcairo2-dev libpango1.0-dev libopenjp2-7-dev libtool libcurl4-openssl-dev gawk zlib1g-dev
   cd /tmp
   rm -rf tesseract
   git clone --recursive https://github.com/tesseract-ocr/tesseract
   cd tesseract
   ./autogen.sh
   sudo rm -rf /usr/local/share/tessdata
   ./configure --enable-static --disable-shared --with-gnu-ld
   make CFLAGS="-fopenmp -DPIC -fPIC -O2 -std=c++17" CXXFLAGS="-fopenmp -DPIC -fPIC -O2 -std=c++17" LIBS="-lz -lpng -ljpeg -ltiff -lwebp -lopenjp2"
   
   sudo make install
   sudo /sbin/ldconfig
   

   
3. 使用できる言語がないことを確認しておく

   tesseract --list-langs
   

   
4. 学習済みデータ及びスクリプト等のダウンロード

   cd /usr/local/share
   sudo rm -rf tessdata_best
   sudo rm -rf tessdata
   sudo git clone --recursive https://github.com/tesseract-ocr/tessdata_best
   sudo mv tessdata_best tessdata
   

5. 結果の確認

   エラーメッセージが出ていないこと．

   
6. 再び，使用できる言語を確認する．今度は，使用できる言語が増えている．

   tesseract --list-langs
   

   
7. 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 2255.png outbase -l jpn
   cat outbase.txt 
   

   
8. Tesseract の学習用ツールのインストール

   cd /tmp/tesseract
   make training LIBS="-lz -lpng -ljpeg -ltiff -lwebp -lopenjp2"
   sudo make training-install
   

   
9. 終了の確認

   エラーメッセージが出ていないこと

   
10. フォントファイル（langdata） のダウンロード

    cd /usr/local/share
    sudo rm -rf langdata_lstm
    sudo rm -rf langdata
    sudo git clone --recursive https://github.com/tesseract-ocr/langdata_lstm
    sudo mv langdata_lstm langdata
    

11. 結果の確認

    エラーメッセージが出ていないこと．

    

第４章　関連ソフトウェアのインストール

gImageReader は Tesseract OCR の GUI フロントエンドである。

# パッケージリストの情報を更新
sudo apt update
sudo apt -y install gimagereader