tesseract のオプション PSM をいじってみた
オプションPSMを指定して認識具合を少し調べてみました。
★前提環境★
・Windows 7 (32bit)
・tesseract 3.05.02
★テスト条件★ ・Windows 7 (32bit)
・tesseract 3.05.02
・画像形式 ：PNG
・フォント ：MS明朝
・サイズ ：26pt
・文字色 ：黒
・背景色 ：白
・文字数 ：いろいろ（1～50文字程度）
・言語データ：付属の jpn.traineddata
・コマンド ： tesseract xxx.png result -l jpn -psm n
※n は psmのオプション番号
★感想★
PSM 1 と 12 は水平テキスト・垂直テキスト・水平テキストが時計回りに90度・180度・270回転したテキストに対応します。
テストはしていませんが、垂直テキストの回転も、同様に良好な結果が得られるものと思われます。
PSM 9 は用途不明です。読解力なくごめんなさい。
1文字のみ認識させたいのであれば、デフォルトのPSM 3 では駄目です。PSM 10 を指定しましょう。
中途半端に傾斜（時計回りに20度）しているテキストは、どのオプションも総じて苦手なようです。
スキャンした紙面から文字を認識させたいのであれば、水平・垂直に極力気を配りましょう。
表には触れていませんが、色の薄い(グレー色 #c3d7ec )文字は PSM 6 または 11 及び 12 で認識率が他より良好です。
★前提環境★
・Windows 7 (32bit)
・tesseract 3.05.02
ページセグメンテーションモード -psm
tesseract --help-psm
Page segmentation modes:
0 Orientation and script detection (OSD) only.
言語データ：osd.traineddata 必須
OSD は Orientation and script detection の略
言語の種類やテキストの傾斜角度等を xxxxx.osd に出力
1 Automatic page segmentation with OSD.
言語データ：osd.traineddata 必須
回転(90度・180度・270度)したテキストも認識する
2 Automatic page segmentation, but no OSD, or OCR.
テキストの傾斜角度にかかわる情報を画面に標準出力する。
ファイルは何も作成されない。
3 Fully automatic page segmentation, but no OSD. (Default)
デフォルトのオプション。
水平テキスト（横書き文書）と垂直テキスト（縦書き文書）に対応
傾斜角度のあるテキストは非対応
4 Assume a single column of text of variable sizes.
可変サイズのテキストとして扱う。
5 Assume a single uniform block of vertically aligned text.
ユニフォームブロックの垂直テキストと仮定する。
6 Assume a single uniform block of text.
ユニフォームブロックのテキストと仮定する。
デフォルトよりも認識率が良い。
7 Treat the image as a single text line.
単一のテキスト行として扱う。
画像内に複数行が存在する場合は、画像内の文字すべてが誤認識する。
8 Treat the image as a single word.
単語として扱う。行に複数の単語がある場合は、
単語間の空白は削られて出力される。「太陽 お月様」 → 「太陽お月様」
画像内に複数行が存在する場合は、画像内の文字すべてが誤認識する。
9 Treat the image as a single word in a circle.
謎
10 Treat the image as a single character.
1文字として扱う。2文字以上ある場合は、すべてが誤認識する。
11 Sparse text. Find as much text as possible in no particular order.
色の薄いテキスト。できるだけ多くのテキストを探す。
デフォルトで探せなかったテキストも認識する。
12 Sparse text with OSD.
言語データ：osd.traineddata 必須
上記11番、及び、
回転(90度・180度・270度)したテキストも認識する
13 Raw line. Treat the image as a single text line,
bypassing hacks that are Tesseract-specific.
Page segmentation modes:
0 Orientation and script detection (OSD) only.
言語データ：osd.traineddata 必須
OSD は Orientation and script detection の略
言語の種類やテキストの傾斜角度等を xxxxx.osd に出力
1 Automatic page segmentation with OSD.
言語データ：osd.traineddata 必須
回転(90度・180度・270度)したテキストも認識する
2 Automatic page segmentation, but no OSD, or OCR.
テキストの傾斜角度にかかわる情報を画面に標準出力する。
ファイルは何も作成されない。
3 Fully automatic page segmentation, but no OSD. (Default)
デフォルトのオプション。
水平テキスト（横書き文書）と垂直テキスト（縦書き文書）に対応
傾斜角度のあるテキストは非対応
4 Assume a single column of text of variable sizes.
可変サイズのテキストとして扱う。
5 Assume a single uniform block of vertically aligned text.
ユニフォームブロックの垂直テキストと仮定する。
6 Assume a single uniform block of text.
ユニフォームブロックのテキストと仮定する。
デフォルトよりも認識率が良い。
7 Treat the image as a single text line.
単一のテキスト行として扱う。
画像内に複数行が存在する場合は、画像内の文字すべてが誤認識する。
8 Treat the image as a single word.
単語として扱う。行に複数の単語がある場合は、
単語間の空白は削られて出力される。「太陽 お月様」 → 「太陽お月様」
画像内に複数行が存在する場合は、画像内の文字すべてが誤認識する。
9 Treat the image as a single word in a circle.
謎
10 Treat the image as a single character.
1文字として扱う。2文字以上ある場合は、すべてが誤認識する。
11 Sparse text. Find as much text as possible in no particular order.
色の薄いテキスト。できるだけ多くのテキストを探す。
デフォルトで探せなかったテキストも認識する。
12 Sparse text with OSD.
言語データ：osd.traineddata 必須
上記11番、及び、
回転(90度・180度・270度)したテキストも認識する
13 Raw line. Treat the image as a single text line,
bypassing hacks that are Tesseract-specific.
テストの結果
★テスト条件★ ・Windows 7 (32bit)
・tesseract 3.05.02
・画像形式 ：PNG
・フォント ：MS明朝
・サイズ ：26pt
・文字色 ：黒
・背景色 ：白
・文字数 ：いろいろ（1～50文字程度）
・言語データ：付属の jpn.traineddata
・コマンド ： tesseract xxx.png result -l jpn -psm n
※n は psmのオプション番号
★感想★
PSM 1 と 12 は水平テキスト・垂直テキスト・水平テキストが時計回りに90度・180度・270回転したテキストに対応します。
テストはしていませんが、垂直テキストの回転も、同様に良好な結果が得られるものと思われます。
PSM 9 は用途不明です。読解力なくごめんなさい。
1文字のみ認識させたいのであれば、デフォルトのPSM 3 では駄目です。PSM 10 を指定しましょう。
中途半端に傾斜（時計回りに20度）しているテキストは、どのオプションも総じて苦手なようです。
スキャンした紙面から文字を認識させたいのであれば、水平・垂直に極力気を配りましょう。
表には触れていませんが、色の薄い(グレー色 #c3d7ec )文字は PSM 6 または 11 及び 12 で認識率が他より良好です。