Tesseract OCR

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

• 가장 최신버전 설치 가능

brew install tesseract tesseract-lang

sudo apt install  tesseract-ocr-kor tesseract-ocr-kor-vert gscan2pdf

• ocrmypdf, gscan2pdf 와 함께 사용하면 PDF, image 인식 등을 진행할 수 있다.

• tessdata_fast 빠른 익식용 데이터. Debian Linux / Ubuntu Linux에서 패키지로 설치시 기본으로 깔리는 듯.
• tessdata_best : LSTM 모델. 이게 더 나은 것인듯.
• --tessdata-dir <PATH> 옵션으로 지정 혹은 TESSDATA_PREFIX 환경변수로 지정
• best 예

#cd ~/.config
#git clone --recursive --depth=1 https://github.com/tesseract-ocr/tessdata_best.git
#원하는 것들만 받기
 
mkdir -p ~/.config/tessdata_best
 
wget -O ~/.config/tessdata_best/kor.traineddata https://github.com/tesseract-ocr/tessdata_best/raw/main/kor.traineddata
wget -O ~/.config/tessdata_best/eng.traineddata https://github.com/tesseract-ocr/tessdata_best/raw/main/eng.traineddata
 
export TESSDATA_PREFIX=$HOME/.config/tessdata_best

• 한글 인식률이 좋지 못한 편이다.
• 여러 언어보다는 단일 언어로 인식하는게 인식률이 더 좋다.
• Imporoving the quality of the output
• 300DPI 이상 추천
• 불필요한 테두리를 crop 하고서 인식해야 인식률이 좋아진다.
• deskewing : 비스듬히 스캔된 것을 똑바로 세워서 인식해야 인식률이 좋아진다.