位置と信頼度 ― image_to_data

導入

image_to_string は文字列だけを返しますが、実務では「どの単語が・画像のどこに・どれくらいの自信で認識されたか」が欲しくなります。それを返すのが image_to_data です。

説明

import pytesseract
from PIL import Image
from pytesseract import Output

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

# 単語ごとの詳細（位置・信頼度つき）を辞書で受け取る
data = pytesseract.image_to_data(img, lang="eng", output_type=Output.DICT)

n = len(data["text"])
for i in range(n):
    word = data["text"][i].strip()
    conf = int(data["conf"][i])       # 信頼度 0〜100（-1 は無効）
    if word and conf > 60:            # 自信のある単語だけ採用
        x, y, w, h = (data["left"][i], data["top"][i],
                      data["width"][i], data["height"][i])
        print(f"{word!r}  conf={conf}  box=({x},{y},{w},{h})")

• image_to_data(..., output_type=Output.DICT) … 単語ごとに text（文字）・conf（信頼度）・left/top/width/height（位置）を並べた辞書を返します。
• conf（confidence）は 0〜100 の信頼度。しきい値（例：60）で足切りすると、あやしい認識を捨てられます。
• 位置 (x, y, w, h) が分かるので、「元画像に認識結果の枠を描く」「特定の欄の値だけ抜く」といった処理ができます。

この「位置つきの結果」は、帳票から特定項目を抜き出す実務（例：合計金額の欄だけ読む）で重宝します。

演習

このレッスンは読み物です。image_to_string と image_to_data の違い——後者は「位置と信頼度」まで返す——を説明できるようにしましょう。信頼度でノイズを足切りする考え方は、後処理（第6章）につながります。