OCR は光学式文字認識の略です。これは、写真、スキャンした文書、テキスト レイヤーのない PDF などのテキストの画像を、実際の機械可読文字に変換するテクノロジーです。 OCR の仕組みを理解すると、OCR からより良い結果が得られ、どこで成功し、どこで失敗するかについて現実的な期待を立てることができます。
OCR が実際に行うこと
文書をスキャンしたり、ページの写真を撮ったりすると、結果はラスター イメージ (色付きピクセルのグリッド) になります。その画像内のテキストは、あなたの目にはテキストのように見えますが、コンピュータにとっては、本質的な意味を持たない単なる暗い点と明るい点のパターンにすぎません。 OCR ソフトウェアは、これらのピクセル パターンを分析し、既知のアルファベットの文字に対応する形状を識別し、コンピューターが保存、検索、処理できるテキスト文字列に変換します。
PDF 上の OCR の出力は通常、検索可能な PDF です。このファイルは、視覚的には元のスキャンと同一に見えますが、画像の背後に目に見えないテキスト レイヤーが埋め込まれています。 Ctrl+F を押して検索、テキストのコピー、または検索エンジンにドキュメントのインデックス作成を依頼すると、表示されている画像ではなくこのテキスト レイヤーが使用されます。
OCR ソフトウェアが文字を認識する仕組み
最新の OCR エンジンは、画像の前処理、パターン マッチング、機械学習を組み合わせて文字を識別します。通常、このプロセスはいくつかの段階で行われます。
- 前処理: 画像がクリーンアップされます。スキューが補正され (デスキュー)、ノイズが除去され、コントラストが強調され、文字をより鮮明に目立たせるために画像が 2 値化 (純粋な白黒に変換) される場合があります。
- レイアウト分析: ソフトウェアは、テキスト ブロック、列、ヘッダー、画像、表がページ上のどこにあるかを特定します。これにより読み取り順序が決まり、OCR エンジンが隣接する列のコンテンツを混合するのを防ぎます。
- 文字のセグメンテーション: 個々の文字は相互に、また周囲の空白から分離されます。これは思っているよりも難しいことです。筆記体の文字、印刷品質の悪い文書の文字は断片化する可能性があり、句読点は離れた記号と間違われる可能性があります。
- 文字認識: セグメント化された各文字が、トレーニングされたモデルと比較されます。最新の OCR は、さまざまなフォント、サイズ、印刷条件にわたる何百万もの文字例でトレーニングされた深層学習モデルを使用します。
- コンテキストの修正: 認識された文字が言語モデルに対してチェックされます。 「hcllo」のようなシーケンス「こんにちは」である可能性が高くなります。単語の頻度に基づいて、エンジンがそれを修正します。この状況に応じたステップにより、あいまいな文字の精度が大幅に向上します。
OCR の精度を決めるもの
最大の要因はスキャンの品質です。ソース画像がぼやけていたり、低解像度であったり、照明が不十分であったり、斜めに傾いたり、背景が暗いか模様になっている場合、OCR の精度は急激に低下します。安定した照明の下で 300 DPI でクリーンにスキャンすると、標準的な印刷テキストの精度率が 95 ～ 99% になります。同じ文書を薄暗い照明下で携帯電話で 72 DPI でスキャンすると、60 ～ 70% の精度が得られる可能性があります。要点を把握するには十分ですが、正確なテキスト抽出には役に立ちません。
言語の選択も重要です。 OCR エンジンは、特定の言語と文字セットに基づいてトレーニングされています。英語用に設定された OCR エンジンでアラビア語文書を実行すると、結果が悪くなります。 WukongPDF の OCR PDF ツールは複数の言語モデルをサポートしています。最適な精度を得るために、処理前に常に正しい言語を選択します。
以下の表は、さまざまなドキュメントの種類と条件における予想される精度の範囲をまとめたものです。
これらは一般的な範囲であり、個々の結果は使用する特定のドキュメント、スキャン機器、OCR エンジンによって異なります。
スキャンされた PDF とネイティブ デジタル PDF の OCR
すべての PDF に OCR が必要なわけではないという、よくある誤解を明確にする価値があります。ワード プロセッサ、スプレッドシート、またはデザイン アプリケーションから直接作成された PDF には、すでにテキスト レイヤーが含まれています。文字はピクセルではなく実際のテキスト データとして保存されます。 OCR 処理を行わずに、これらのファイル内のテキストを選択、コピー、検索できます。
OCR は、画像ベースの PDF (紙の文書をスキャンして作成されたファイル、画像ファイルからエクスポートされた PDF、またはエクスポート プロセス中にテキストがアウトラインに変換された PDF) にのみ必要です。簡単なテストは、PDF 内のテキストを選択してみることです。個々の単語をハイライト表示できる場合は、テキスト レイヤーがすでに存在しています。カーソルが十字線に変わる場合、または長方形の領域しか選択できない場合、コンテンツは画像ベースであり、OCR によって検索可能になります。
| 文書タイプ | OCR 精度 | 一般的な課題 | ヒント |
|---|---|---|---|
| きれいに印刷されたテキスト | 95～99% | 似た文字 (0/O、l/1) | 300 DPI 以上のスキャンを使用する |
| タイプ打ちされた文書 | 90～97% | インクの劣化、リボンの隙間 | OCR前の高コントラスト |
| 手書きのテキスト | 60～85% | 不規則な文字形、合字 | 特殊な手書きモデルが必要 |
| 低解像度スキャン (150 DPI 未満) | 50～80% | 文字のぼやけ、ピクセル化 | 可能であれば、より高い DPI で再スキャンしてください |
| 非ラテン文字 (アラビア語、中国語) | 85 ～ 95% | キャラクターの複雑さ、方向性 | OCR設定で正しい言語を選択してください |
| 複雑なテーブルとフォーム | 80～92% | セルの境界線がテキストと結合する | OCR後にテーブル領域を手動で確認する |
PDF に OCR を適用する方法
WukongPDF の OCR PDF ツールは、ブラウザーでプロセスを処理します。スキャンした PDF をアップロードし、ドキュメントの言語を選択して変換します。出力は、テキスト レイヤーが埋め込まれた検索可能な PDF です。視覚的には入力と同じですが、完全に検索可能でテキストを選択できるようになりました。複数ページのドキュメントは 1 回の操作で処理されます。
重要なドキュメントを最高の精度でスキャンするには、300 DPI 以上でスキャンし、影のない均一な照明を使用し、スキャンする前にページが平らでまっすぐであることを確認してください。入力画像がきれいであればあるほど、OCR 出力も向上します。精度が重要なドキュメントでは、OCR を実行する前にスキャンを前処理することが常に効果的です。