![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
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。
