OCRの仕組みとは？
初心者向けステップバイステップガイド

OCRが実際に行うこと（そして行わないこと）

OCRは単一の魔法のようなステップではなく、ピクセルをテキストに変換する4段階の組み立てラインです。かつて文字言語を見たことがない人に読むことを教えなければならない状況を想像してみてください。まず、ページ上のいくつかの印が文字であり、他はただの汚れや紙の質感であることを彼らが認識できるように助けることから始めるでしょう。次に、各文字には認識可能な形があることを教えます — 大文字のAは、どのフォントで表示されても、常におおよそ三角形の形に横棒がある、といった具合です。その後に初めて、文字を単語に、単語を文章に組み合わせることを始められます。これはまさにOCRエンジンの仕組みです。ドキュメントをレイヤーごとに処理し、一歩ずつ下から理解を構築していきます。

しかし重要な落とし穴があります：OCRは形を読み取るのであって、意味を読み取るのではありません。エンジンは一連のストロークが「T」という文字を形成することを知っていますが、「T」が「Total」や「Tax」の最初の文字であるということはまったく理解していません。ドキュメントをデジタル化しますが、理解しているわけではないのです。この違いこそが、OCR出力が検索可能なPDFには役立つ一方、スプレッドシートで構造化データが必要な場合には不十分である理由です。OCRとは何か、その3つの技術世代がどのようなものかについての完全な概要は、OCRとは何か、そしてその進化に関するガイドをご覧ください。

4ステップのOCRパイプラインの概要

無料のTesseractから商用システムまで、すべてのOCRエンジンは同じ4ステップのワークフローに従います。これを、各ステーションに1つの特定の仕事がある工場の組み立てラインと考えてください。あるステーションの出力が次のステーションの入力になります。どのステーションでも仕事が不十分であれば、下流のすべてのステーションで結果が悪化します。

それでは、各ステップを詳しく見ていきましょう。エンジンが実際に行うこと、それが重要な理由、そして理解を深めるための具体的な例えを用いて説明します。

ステップ1 — 前処理: 読み取り前の画像クリーニング

エンジンが1文字でも認識する前に、認識ステップを妨げるものを排除するために画像をクリーニングする必要があります。 これは、本を読む前に眼鏡を拭くようなものです。レンズが曇っていたり、傾いていたり、傷が付いていたりすると、文字をはっきり読むことはできません。

OCRエンジンに届くスキャン文書が完璧な状態であることはほとんどありません。ページがスキャナーに少し斜めに置かれている場合があります（スキューと呼ばれる問題）。スキャンには、ほこりの斑点、ファックスのアーティファクト、または本の背表紙の影が含まれている場合があります。インクと用紙のコントラストが低い場合もあります。特に、古い文書、カーボンコピー、色あせたレシートなどで顕著です。前処理ステップでは、実際の読み取りを開始する前に、これらすべてを修正します。

最も重要な前処理ステップは2値化です。これは、テキストを背景から分離するしきい値を使用して、画像を純粋な白黒に変換することです。 Otsu's methodと呼ばれる一般的な手法は、ピクセル強度のヒストグラムを分析し、最適なしきい値を自動的に選択します。スキャンした文書が、明るい白いページにくっきりとした黒いテキストのように見えるのを見たことがあれば、それは2値化の結果です。

その他の前処理操作には、傾き補正（傾いたテキストをまっすぐにするために画像を回転させる）、ノイズ除去（ほこりの斑点やスキャナーアーティファクトを除去する）、斑点除去（句読点や発音記号と間違われる可能性のある不要なマークを除去する）、およびコントラスト正規化（かすんだテキストが読み取れるように明るさを調整する）が含まれます。

この段階で、多くのOCR失敗の原因がすでに作り込まれています。二値化処理で小文字の尾部が切り落とされたり、隣接する文字が塊に融合したりすると、認識段階でどんなに高度なアルゴリズムを使っても正しく認識するチャンスはありません。ゴミを入れればゴミが出る——OCRでは、この格言はすべてのピクセルに当てはまります。

ステップ2 — テキスト検出：単語の位置を見つける

画像がきれいになったら、次にエンジンはページのどの部分に実際にテキストが含まれているかを特定しなければなりません。 これがレイアウト解析の段階です。新聞のページを見ることを想像してみてください。見出し、写真のキャプション、サイドバー、引き出し引用の違いは一目でわかりますが、OCRエンジンはこの区別をピクセル単位で学習する必要があります。

エンジンは前処理済みの画像をスキャンして、テキスト領域（文字が密集した領域）を特定し、画像、ロゴ、装飾的な枠線、空白スペースから分離します。次に、各テキスト領域を徐々に小さな単位に分割していきます：

この一見単純なステップには、大きな課題が隠されています：プロポーショナルフォントです。プロポーショナルフォントでは、2つの文字（「r」と「n」など）の間のスペースが、圧縮された書体で設定された2つの単語の間のスペースよりも広くなることがあります。エンジンは、ギャップが同じ単語内の2つの文字を分離しているのか、それとも2つの単語を分離しているのかを判断しなければなりません。エンジンはヒューリスティック（典型的な文字幅、空白のしきい値、言語固有のパターン）を使用しますが、これらのヒューリスティックが常に正しいとは限りません。誤って判断すると、単語が誤って結合または分割され、後続のすべてのステップがそのエラーを受け継ぐことになります。

検出エラーは、エラーに見えないため、最も厄介なタイプのOCR障害です。結合された単語は、人間のレビュー担当者には正当な（馴染みがなくても）単語に見えます。 エンジンが「rn」を「m」として読み取ると、「commercial」が突然「commeicial」になります——スペルチェッカーなら検出できる間違いですが、出力がスペルチェッカーを通過する場合に限ります。

ステップ3 — 文字認識：OCRの核心

これは、人々が「OCR」と言うときに実際に意味しているステップです。エンジンは、切り出された個々の文字画像を受け取り、それがどの文字、数字、記号を表しているかを判断します。 子どもがフラッシュカードでアルファベットを学ぶ様子を想像してください。ArialのA、Times New RomanのA、手書きのAなど、さまざまなフォントの文字Aの絵を見せて、スタイルに関係なく認識できるように学習させます。OCRエンジンも同じことを行いますが、数百万枚のフラッシュカードを持ち、それをミリ秒単位で処理します。

文字認識には、2つの基本的なアプローチがあります。

パターンマッチング（テンプレートOCR） — エンジンは、既知のフォントとサイズの文字画像（グリフ）のデータベースを保持します。新しい文字に遭遇すると、ピクセルパターンを保存されている各グリフと比較し、最も近い一致を選びます。このアプローチは数十年にわたって標準であり、1974年にHP Labsで開発され、現在はGoogleがメンテナンスしているオープンソースのOCRエンジンであるTesseractなどのエンジンを支えています。パターンマッチングは、ドキュメントがエンジンが以前に見たことのあるフォントを使用している場合にうまく機能します。フォントが珍しい場合、テキストが手書きの場合、または画像品質が低下した場合には失敗します。入力が保存されているテンプレートのいずれにも似なくなるためです。

特徴抽出（インテリジェントOCR） — エンジンはピクセルパターン全体を比較する代わりに、各文字を構成する特徴（線、曲線、ループ、交差点、端点、角度）に分解します。文字「A」には、一点で交わる2本の対角線と水平なクロスバーがあります。文字「O」には、単一の閉じたループがあります。フォントやサイズに関係なくこれらの特徴を識別することで、エンジンはこれまで見たことのない文字も認識できます。最新のOCRエンジンのほとんどはこのアプローチを使用しており、多くの場合、EMNIST（Extended MNIST）などのデータセットでトレーニングされたニューラルネットワークによって強化されています。EMNISTは、数字と大文字・小文字にわたる814,255枚のラベル付き文字画像のコレクションです。

両方のアプローチの重大な制限は同じです。それは、形状を識別するだけで、意味を識別しないということです。エンジンは、ピクセルグループが文字「5」であると99%の信頼度で伝えることはできますが、その「5」が数量、価格、日付、部屋番号、モデルコードのいずれであるかを伝えることはできません。 文字を、一貫性のあるドキュメントの一部としてではなく、孤立した記号として読み取ります。これが、従来のOCRエンジンがきれいな請求書で99%の文字精度を達成しながらも、請求書の合計金額を見つけられない出力を生成する理由です。すべての文字は正しいのに、どれもラベル付けされていないからです。

このステップが従来のOCRと最新のAIベースのアプローチでどのように異なるか、ドキュメントタイプ別の精度ベンチマークを含む詳細な比較については、AI OCRと従来のOCRの比較に関する解説をご覧ください。

ステップ4 — 後処理：出力を読みやすくする

文字認識ステップの生の出力は、推測された文字列です。正しいものもあれば、そうでないものもあり、すべて文脈が欠けています。後処理では、エンジンが自身の誤りを修正しようとします。 これは非常に強力な自動修正システムと考えてください。単なる辞書検索ではなく、周囲の文脈に基づいて「there」「their」「they're」の違いを認識します。

最も一般的な後処理技術は次のとおりです。

これらすべてのインテリジェンスにもかかわらず、後処理には根本的な限界があります。スペルミスは修正できますが、意味を追加することはできません。出力 $1,234.56 が有効な通貨額であることはわかりますが、エンジンはそれが請求書の合計なのか、明細の小計なのか、税額なのか、参照番号なのかをまだ認識していません。後処理によってテキストは読みやすくなりますが、データとして使用可能になるわけではありません。

すべてを変える違い — 従来のOCRとAI抽出

上記の4段階パイプラインは従来のOCRアプローチであり、1990年代から根本的には変わっていません。現代のAIベースの抽出は、すべての段階で異なる方法で機能します。

この対比を理解すると、従来のOCRが検索可能なPDFやテキストアーカイブなどの一部の作業には適したツールである一方、スプレッドシート、データベース、会計システムなどの構造化データが必要な場合には不十分である理由が明確になります。以下の表は、従来のアプローチとImageToTable.aiのような最新のAI抽出ツールで、各パイプライン段階がどのように異なるかを示しています。

根本的な違いは、従来のOCRがピクセルを文字に変換するのに対し、AI抽出はピクセルを意味に変換することです。前者は検索可能なドキュメントを、後者はすぐに使えるデータを提供します。 AI抽出カテゴリの完全な解説（仕組み、適した場面、他のアプローチとの比較）については、AIドキュメント抽出とは何かに関するハブ記事をご覧ください。

また、AI版が文字単位ではなくページ全体を一度に処理するビジョン言語モデルで読み取りステップをどう処理するかを正確に理解したい場合は、AI OCRとは何かの記事で技術を詳しく解説しています。

よくある質問

OCRの仕組みを理解することは、いつOCRで十分なのか、そしていつもっと高度なものが必要なのかを見極めるための第一歩です。この4段階のパイプラインは、数十年にわたり文書のデジタル化に貢献してきましたが、「読み取り可能なテキスト」と「利用可能なデータ」の間には、従来のOCRが決して埋めるように設計されていなかったギャップがあります。AI文書抽出が、文字だけでなく意味を読み取ることで、そのギャップをどのように埋めるかをご覧ください。