画像を文字に変換する前に、OCRに適した画像か確認しましょう

文字認識の誤りは、ツール選びが原因とは限りません。同じページでも撮影角度、光、文字の大きさで結果が変わります。

OCRが受け取るのは紙の原文ではなく画素です。ぼけた線、欠けた線、隠れた線が正しく補われるとは期待できません。同じ画像で繰り返すより、元の画像を確認する方が時間を節約できます。

撮影の問題とレイアウトの問題を区別する

一文字ずつ間違う場合もあれば、文字はおおむね正しくても段落順が乱れる場合もあります。対処は異なります。

画像の問題	起こり得る結果	最初にすること
ピンぼけ、手ぶれ、小さすぎる文字	線の混同、数字の誤認識	撮り直すか鮮明な原本を入手
反射、遮り、白飛び	一部の文字が欠落	光や遮りを調整して再撮影
傾き、遠近のゆがみ	行順の乱れ、領域の読み落とし	角度の改善や文書画像の補正
段組み、複雑な表、図文混在	読み順と構造の誤り	領域ごとに処理して手作業で整理

誤りの場所を原画像で拡大します。人にも文字が判別できなければ、設定変更だけでは解決しないことがあります。

容量よりページ全体の鮮明さを優先する

十数MBの写真でも中央の数行しか鮮明でないことがあります。容量はページ全体の読みやすさを保証しません。

紙を平らにし、カメラを正面に向け、文書が画面の主要部分を占めるようにします。撮影後はサムネイルだけでなく四隅、端、小さな文字も確認します。

下部だけがぼけたり、綴じ目の近くで文字が曲がったりしても、出力品質を上げるだけでは直りません。可能なら撮影条件を改善します。

スキャナーでは適切な解像度を選びます。既存写真のDPI値だけを変更しても線の情報は増えません。文字の実際の画素が鮮明かを確認します。

不要部分を切り抜いても文字に密着させない

机の模様、隣の紙、黒いスキャン枠も認識に入ることがあります。適切な切り抜きで対象を明確にできます。

画像の切り抜きでは文字全体と少しの余白を残し、最初の行や最後の文字に枠を密着させないでください。表の見出し、単位、注記も数字を解釈するために必要です。

傾きも確認します。大きく傾いた行は行分割に影響します。Tesseractの品質ガイドでも傾き補正と適度な余白が説明されています。

ただし回転と遠近補正は別です。台形に撮れたページを回すだけでは各部分の文字比率はそろいません。

欠けた線を画像補正で推測しない

明るさ調整で改善する場合もあれば、情報自体が撮れていない場合もあります。

影の下の文字は低コントラストでも残っている可能性があります。反射で真っ白になった部分には使える線がないかもしれません。

強い白黒処理も細線を消したり隣の線と結合させたりします。きれいに見えるページが必ず認識向きとは限りません。

AI拡大も原文確認の根拠にはできません。読みやすくなった文字が別の文字かもしれないためです。金額、番号、名前は補正結果から埋めず、鮮明な資料を優先します。

一括処理の前に一ページで試す

本文に加え、小文字、数字、表を含む代表的な画像を選びます。利用できる結果か確認してから全体を処理します。

本文には画像からWordへの変換、表には画像からExcelへの変換を使えます。形式選びは整理を助けますが、元の配置の完全再現を保証しません。

最初の段落だけでなく中央と末尾も確認します。文章が自然でも番号、日付、小数点が正しいとは限りません。

端の読み落としや列ずれが繰り返されるなら、まず入力画像へ戻ります。一括処理すると同じ誤りを増やすだけかもしれません。

認識前後にそれぞれ確認する

OCR前は次を確認します。

• ページが完全で向きが正しい。
• 小さな文字と四隅が鮮明で、目立つ手ぶれがない。
• 重要領域に反射、遮り、白飛びがない。
• 切り抜きが適切で必要な余白や説明がある。
• 繰り返し転送、画面撮影、圧縮したコピーではなく鮮明な原画像を使う。

認識後は原画像と段落順、抜けた行、金額、日付、番号、固有名詞を照合します。表では各値の行と列も確認します。

DocCrunchの画像からWordへの変換はブラウザー内で認識しますが、照合は必要です。原画像が根拠となり、OCRが入力を減らし、校正が結果を確かめます。

一文字ずつ直すより入力の準備が効果的な場合があります。変換文書だけでなく、いつでも比較できる鮮明な原画像も残してください。