画像から文字を抽出（OCR）

光学文字認識（OCR）は、画像の中の文字を、コピー・検索・編集できるテキストに戻します。レシート、スライド、エラーメッセージのスクリーンショット、本の1ページなどが対象です。このツールはオープンソースのTesseractエンジンを使い、日本語・英語・韓国語・中国語を含む12言語の画像をブラウザ内で直接読み取るため、画像が端末の外に出ることはありません。

使い方

1. 画像を1枚以上選びます。まっすぐで明るく、コントラストがはっきりした画像ほどよい結果になります。
2. 文字の言語を選びます。韓国語と英語が混ざったページは「英語 + 韓国語」を選びます。
3. スクリーンショットや書類は「1段組みの文章」のままにします。複数段組みのページは「自動」、一部が抜けるときは1行・ひとかたまり・散らばった文字から選びます。
4. かすれたスキャンは「白黒に変換」、暗い画面の白い文字は「暗い背景に明るい文字」にチェックを入れます。
5. ボタンを押して、抽出したテキストをコピーします。初回はエンジンと言語データをダウンロードします。

計算式

平均信頼度 = その画像について、エンジンが単語ごとに出した信頼度（0〜100%）の平均

認識の前に、画像を2倍に拡大（高さ約20 px未満の小さい文字は読み取りにくいため）したり、大津の方法で完全な白黒に変換したりできます。大津の方法は、2つのピクセルのグループを最もよく分けるグレーの水準（クラス間分散が最大になる値）を選びます。中国語と日本語では、Tesseractが文字の間に入れるスペースを取り除きます。

計算例

幅1170 pxのスマホのスクリーンショットに写った2行の英語のエラーメッセージを、英語と既定の1段組みレイアウトで読み取ると、通常は2行とも一語一句そのまま、高い平均信頼度で返ってきます。同じ文章をランプの下で斜めから撮影すると、スコアが下がり、いくつか修正が必要になるかもしれません。信頼度が約70%を下回るときは、すべての行を確認してください。

知っておきたい制限

印刷された文字は手書きよりはるかによく読み取れ、手書きはほとんど認識されません。表は罫線のない文章の行として出力されます。非常に小さい、ぼやけた、曲がった、コントラストの低い文字は誤りが出るため、文字の部分だけを切り出して正面から撮影してください。エンジン（数MB）と各言語のデータ（約1.5〜3 MB）は初回に一度ダウンロードされ、その後はキャッシュを使います。