tesseract の変更点

• 追加された行はこの色です。
• 削除された行はこの色です。
• tesseract へ行く。

[[ＤＴＰ関連]]

tesseractは、スキャナなどで読んだ文字をOCRし、文字テキストとしてPDFに埋め込みます。

文字埋め込みのPDFを作ります。

例えば、~/desktop/JA1-02.jpgを処理する場合
 $ tesseract JA1-02.jpg JA1-02 -l jpn+eng pdf
 Tesseract Open Source OCR Engine v3.04.01 with Leptonica
 Info in fopenReadFromMemory: work-around: writing to a temp file
 Detected 57 diacritics

デスクトップにJA1-02.pdfができあがる
 $ PDFtoText -raw JA1-02.pdf

JA1-02.txtができあがる

古い和文局リストを読み込ませてOCR化してみましたが、認識度は40％位でした。

1600dpiのTIFより800dpiのjpgの方が認識率は上でした。私のTesseractのオプションの誤りかもしれません。