PR（記事内にアフィリエイト広告が含まれています）
スポンサーリンク
C#

C#でOCRツールを作成

概要
世の中には、ゲームのスクリーンショットをゲームごとに千〜万枚単位で保存して、それらの画像内のセリフで全てリネームして管理してる、というスクショ仙人が存在してるそうです。す、すげぇ……


ここまでするとは、もはや修行……
呆然としつつも、この作業が少しでも楽にならないかな……と思って、C#2017でOCRツールを作ってみました。
PS4 ：1920×1080
Switch：1280x 720
vita ： 960x 544
3DS ： 400x 240
上記のサイズの画像をいれた指定フォルダのjpg,png,bmp画像を読み込み、プレビュー表示させ、OCRでそれなりの精度で文字列を読取り、手動である程度修正してからファイルをリネームする、といったツールになります。

導入方法
OCRの部分は tesseract のDLLを呼び出す形になります。
上記を使うには Nuget でインストールする必要があるので、Visual Studio の最新版（現在は2017）の無償版をダウンロードしました。インストールが終わって、ツール用のソリューションを作ったら（今回はImageOcrRenameという名前にしました）、Nugetを使ってOCRを使えるように設定しましょう。
Visual Studio 2017
＞ツール
＞Nugetパッケージマネージャー
＞ソリューションのNugetパッケージの管理
tesseract
・左上の検索ボックスにて「tesseract」で検索
・Tesseract（v3.0.2）をクリック
tesseractをインストール
・右側の対象ソリューションをチェックし、インストールボタンを押す
もしパッケージマネージャーコンソールからコマンドでインストールしたい場合は、
Visual Studio 2017
＞ツール
＞Nugetパッケージマネージャー
＞パッケージマネージャーコンソール
とすると画面下部あたりにコンソールが出てくるので、
コマンドでtesseractをインストール
PM> Install-Package tesseract
と入力してENTERキーを押下すれば、自動的にTesseract 3.0.2がインストールされるかと思います。候補が複数ありますが、このページではTesseract 3.0.2の解説を行いますのでご注意を（それぞれでコーディングの方法やusing指定が変わってきます）。
○　Tesseract（v3.0.2）
×　Tesseract.Net.SDK（v1.9.2）
×　Tesseract-OCR（v1.0.4）
他の方法だと（特にTesseract.Net.SDK）、日本語の検出率が下がったり、画像によっては下記エラーが出たりしました。
Patagames.Ocr.Exceptions.NoLicenseException: ‘The requested operation cannot be completed due to a license restrictions. With the trial version the images which width is smaller than 500 pixels can be loaded without any restrictions. For other images the allowed widths is 500 – 550 pixels; 600 – 650 pixels; 700 – 750 pixels and so on.’
なぜかフルHD（2K）の画像だとOKで、HD画像だとNGということもあって、かなり謎です。どっちの画像も750ピクセル超えてるのに、なんで違う結果になるの……というところがあり、個人的には実用的ではないと感じたため扱いませんでした。
Nugetでインストールが終わったら、traineddataという学習データをダウンロードしておきましょう。各言語ごとに用意されていますが、今回は日本語（JPN）をダウンロードしてきます（30MBくらいあります）
環境さえ構築できれば、コーディングは直感的で分かりやすくなってます。画像を指定したら文字列が返ってくる、って感じです。画像の範囲を指定すれば認識率が上がるので、基本的には範囲指定した方がいいでしょう。

// 画像のフルパス
using (var image = new System.Drawing.Bitmap(@"C:\image.jpg"))
{
// jpn.traineddataの格納フォルダ
using (var engine = new Tesseract.TesseractEngine(@"C:\tessdata\", "JPN"))
// 処理領域の指定なし
using (var page = engine.Process(image))
{
var ocrText = page.GetText();
}
// 処理領域の指定あり
// √Letterのように画面下部のメッセージエリアだけを指定したい場合
// x, y, width, height
var rect = new Tesseract.Rect(0, 770, 1920, 310);
using (var page = engine.Process(image, rect))
{
var ocrText = page.GetText();
}
}

実行例


文字列部分に少しでもノイズがはいってると途端に認識率が下がるようで、画像によっては全然ダメな場合が多いですね。画面が常にザラザラしてる『Tear ―終わりとはじまりの雫―』はやる前から分かってましたが、ほぼ全滅。


当初はダメだった画像でも、文字のあたりを範囲指定すると途端に認識率が高くなることも多かったので、何パターンか試して一番認識率が高い範囲でOCRするのが良さそうです。


かなり認識率が高い結果になっても、OCRの結果文字列に改行コードや明らかに日本語ではない文字が混じってたりするので、前述したコーディングとは別に、日本語や数字など必要な文字でなければ除外するようなメソッドを用意しました。
2017/12/14追記
どう足掻いてもムリと思ってたTearのザラザラですが、プレビュー画像上でドラッグして範囲指定する機能を追加して、文字のところだけピッタリ指定してみたところ、うまくいきました！


とりあえず思いついた機能は全て入れてみたので、あとは細かいところをブラッシュアップしてく感じですかね。楽するための苦労は惜しまない。
実行用ファイル
実験的に配布してみます（Windows7、Windows10で動作確認済）。
このソフトを使用して何か障害が起きたとしても、こちらとしては一切責任を負いません。あくまで自己責任で使っていただける場合のみ、ダウンロードしてお使いください。
ImageOcrRename.zip
tessdataフォルダに、jpn.traineddataとeng.traineddataを格納すれば動くはずです（30MB以上あるので、zipファイルにはいれてません）。
直感的に分かるだろうと思うので、詳しい使い方は書きません。というか書いたところで、Nore139さん以外に使う人が居ない気もするので……
バグがあってもよほどのものじゃない限りは改修しないと思います。PGソースが欲しい場合は、フォームなどで連絡いただければ考慮するかもしれません。

コメント

タイトルとURLをコピーしました