갈아만든 임원 - 4 데이터 추출하기 (Tesseract OCR)

1. OCR과 Tesseract란

OCR(Optical Character Recognition, 광학 문자 인식)은 이미지나 문서에서 텍스트를 인식하고 추출하는 기술입니다. 이 기술은 스캔한 문서, 사진, 손글씨, 인쇄된 텍스트 등에서 문자를 인식하여 디지털 텍스트로 변환하는 데 사용됩니다.

 

Tesseract는 오픈소스 광학 문자 인식(OCR) 엔진으로, 이미지에서 텍스트를 추출하는 데 사용됩니다. 원래 HP(Hewlett-Packard)에서 개발되었으며, 현재는 Google이 유지 관리하고 있습니다. Tesseract는 다양한 언어와 문자 체계를 지원하며, 여러 플랫폼에서 사용할 수 있습니다.

 

https://github.com/tesseract-ocr/tesseract

2. Tesseract 설정

2-1. 자바용으로 나온 tess4j를 찾아 디펜던시에 추가 혹은 설치해주자.

dependencies {
    implementation 'net.sourceforge.tess4j:tess4j:5.13.0'
}

https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j

 

2-2. 기본 언어는 영어로 되어 있으니 필요한 언어는 추가로 다운 받자.

https://github.com/tesseract-ocr/tessdata/tree/main

 

2-3. 다운 받은 언어는 tesseract가 설치된 폴더에 넣어둔다. 

C:\Program Files\Tesseract-OCR\tessdata

 

2-4. 환경변수 path도 위와 같은 경로로 설정.

시스템 변수 - 환경 변수 - path - C:\Program Files\Tesseract-OCR\tessdata

 

cmd>>tesseract 를 입력해 아래의 화면이 나온다면 성공

 

3. Tesseract 실행

tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]

 

-l

eng (Default)

필요한 언어 추가 설치

 

--oem

0: 지원X

1: 지원

 

--psm

  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.
 11    Sparse text. Find as much text as possible in no particular order.
 12    Sparse text with OSD.
 13    Raw line. Treat the image as a single text line,bypassing hacks that are Tesseract-specific.

 

 

 

코드

import lombok.extern.slf4j.Slf4j;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

import java.io.File;

@Slf4j
public class OCRManager {
    public static void main(String[] args) {
        String path = "C:\\summaryBot\\20240922\\20240922_190038.png";

        // Tesseract 인스턴스 생성
        Tesseract tesseract = new Tesseract();

        // Tesseract 데이터 경로 설정
        tesseract.setDatapath("C:/Program Files/Tesseract-OCR/tessdata/");

        // 언어 설정
        tesseract.setLanguage("kor+eng");

        try {
            File imgFile = new File(path);
            if (!imgFile.exists()) {
                log.error("해당 이미지가 존재하지 않습니다.");
            }
            String result = tesseract.doOCR(imgFile);
            System.out.println(result);
        } catch (TesseractException e) {
            System.out.println(e.getMessage());
        }
    }
}

• Tesseract 인스턴트를 생성
• setDataPath(): 학습 언어가 있는 경로 설정
• setLanguage(): 해석할 언어 지정, '+' 로 여러 언어 지정 가능하다.

 

4. Tesseract의 인식률

인식률을 개선하기 위해선 다양한 방법이 필요로한다.

 

 

4-1. LSTM 모델

 

테스트 이미지

 

실행 결과

• 생각보다 인식률이 매우 안좋다.
• Tesseract 4부터 LSTM 모델을 지원하여 인식률이 올라갔다고 한다. 
  • 기본 데이터는 해당 기능을 사용할 수 없으므로 아래의 사이트에서 언어를 다운받아 Tesseract 폴더에 다른 이름으로 저장하자.
  • https://github.com/tesseract-ocr/tessdata_best

 

LSTM 모델 실행 결과

• 처음보다 나아진 모습이다. 하지만 여전히 완벽하지 않다.

 

4-2. 이미지 처리

 

인식률 개선을 위한 공식 문서에 따르면 다음과 같은 방법들이 있다.

• 재조정 
• 이진화 
• 노이즈 제거 
• 팽창/침식 
• 회전 / 비스듬히 조정  

이러한 작업들을 도와주는 라이브러리가 바로 OpenCV다.

다음은 OpenCV에 대해 알아보자.

 

 

 

 

 

참고

https://stackoverflow.com/questions/27763855/how-to-access-multiple-traineddata-files-in-tess4j