カテゴリ（タグ）ツリー

• ルート

NHocr - 日本語文字認識プログラム

Since Sep 8, 2008 / Last update: Sep 9, 2008

---

この文書は nhocr: OCR engine for Japanese language (Google Code) にある紹介文を日本語訳し、若干の変更を加えたものです。

NHocrについて

NHocr は日本語に対応したコマンドライン形式の 文字認識(OCR)プログラムです。 NHocr は画像中の日本語文字やASCII文字/シンボルを認識します。

NHocr はウェブサービス WeOCR でも利用できます。

• 日本語文字行認識 - beta:   http://appsv.ocrgrid.org/nhocr/index-j.html

このプログラムは実験的な意味が強く、 文字認識の精度に限界があります。
(高性能なOCRが必要ならば、製品を買うべきでしょう。)

NHocr は元々、作者の週末プログラミングの成果物です。 開発は遅いかもしれません。

現バージョンにおける制約事項

• ソースコードはまだ公開されていません。
• 現在の NHocr は、ページレイアウトの解析処理が組み込まれていないので、 行イメージしか扱うことができません。
• 全角・半角の文字が混在したり、プロポーショナルフォントが用いられると、 認識率が悪化することがあります。
• 文字切り出しアルゴリズムはまだ非常に単純なので、 文字切り出しの精度は悪いです。
• ASCII文字の認識率は悪いです。欧米言語には、例えば tesseract のような、 他のOCRを使うことを奨めます。
• 言語後処理はまだ含まれていません。

サポートされるプラットフォームと要件

後に決定の予定です。
現在のα版はLinux上で走っています。 最低限 Solaris と Linux はサポートされる予定です。

コードの入手性

開発がまだ初期の段階なので、当面の間、 ソースコードは共同研究者のみに公開の予定です。 一般へのソース公開は 2009.2Q に予定されています。

NHocr で用いられている文字特徴量は、 '90年代後半に堀らによって提案された 外郭局所モーメント特徴 (Peripheral Local Moment, P-LM) が基本になっています。 現在、文字特徴量の抽出のためのコードは、 Google Code のサイトにて ダウンロード可能です。

ライセンス

後に決定の予定です。
MIT-Xの派生、BSD、Apache2.0のいずれかになる予定です。

---

© 2008   Hideaki Goto