認識の設定 ― 言語とページ分割モード

導入

Tesseract は「対象の言語」と「レイアウトの想定」を指定すると精度が上がります。特に日本語を読むには、日本語の学習データを指定する必要があります。

説明

import pytesseract
from PIL import Image

img = Image.open("receipt.png")

# lang: 認識する言語。日本語は "jpn"、英語は "eng"、併用は "jpn+eng"
# --psm: ページ分割モード（レイアウトの想定）
# --oem: エンジンモード（1 = LSTM ニューラルネット）
config = "--oem 1 --psm 6"
text = pytesseract.image_to_string(img, lang="jpn+eng", config=config)
print(text)

• lang="jpn" … 日本語データを使います。事前に日本語データ（jpn.traineddata）の導入が必要です（apt install tesseract-ocr-jpn など）。
• --psm（Page Segmentation Mode）… レイアウトの想定。代表的な値：
  • --psm 6 … 「1つの均一なテキストブロック」。レシートや段落向けの無難な既定。
  • --psm 7 … 「1行だけ」。1行の見出しやラベル向け。
  • --psm 11 … 「バラバラの文字を拾えるだけ拾う」。まばらな文字向け。
• --oem 1 … LSTM（ディープラーニング）エンジンを使う指定。近年の Tesseract の主力です。

「読ませたい対象のレイアウトに合う psm を選ぶ」ことが、地味ですが効きます。1行のラベルを --psm 6 で読ませてうまくいかないときは --psm 7 を試す、といった具合です。

演習

このレッスンは読み物です。「1枚のレシート全体」と「商品名1行だけ」で、選ぶべき --psm が違うことを意識しましょう。日本語を読むには lang に何を指定するか（"jpn"）も覚えておいてください。