OCR精度を向上させる方法：
実際に効果のある10の実践的ヒント

はじめに

OCRの精度は、入力画像の品質、OCRエンジンの処理、出力後の処理という一連の流れに依存します。このチェーンのどこかが弱いと、最終結果が悪化します。

良いニュースは、最も大きな効果が得られるのはスキャン品質や画像の前処理といった初期段階であり、そのほとんどを自分でコントロールできることです。300 DPIで均一な照明と適切なコントラストでスキャンされた文書は、最新のOCRエンジンで99%近い精度を達成できます。同じ文書でも、照明が悪い状態でスマートフォンで撮影した150 DPIの画像では、使用するOCRソフトウェアに関係なく、80%に達するのも困難です。

このガイドでは、効果が高い順に10のテクニックを紹介します。最初のいくつかから始めてください。これで精度の問題のほとんどが解決します。

OCR精度の測定方法や、ベンダーの主張が誤解を招く理由に詳しくない場合は、まず「OCR精度の実際の意味」をお読みください。文字レベルの精度とフィールドレベルの精度の違いを説明しており、以下のヒントがより意味のあるものになります。

1. 300 DPI以上でスキャンする

重要な理由： 画像解像度は、OCR精度において最もコントロールしやすい要素です。OCRエンジンが文字を認識する際、形状（「e」のループ、「t」の横棒、「M」のセリフ）を識別するのに十分なピクセルが必要です。ピクセルが少なすぎると、異なる文字が同じようなぼやけた形状になってしまいます。AI MultipleのOCR精度ベンチマークによると、150 DPIでスキャンされた文書は、同じ文書を300 DPIでスキャンした場合と比較して、精度が15～20%低下します。150 DPIを下回ると、精度は急激に低下します。

対処法： スキャナーを少なくとも300 DPI（1インチあたりのドット数）に設定します。小さなフォント（8ポイント未満）や密度の高い表を含む文書の場合は、400～600 DPIを使用します。600 DPIを超える必要はありません。効果が薄れるからです。600 DPIでは、小さなフォントで300 DPIと比較して約2～3%の向上が見られますが、1,200 DPIではほとんど向上せず、ファイルサイズと処理時間が3倍になります。

スマートフォンでの撮影の場合： 最近のスマートフォンのほとんどは、300 DPI相当をはるかに超える画像を撮影できます。問題は実効解像度です。遠くから撮影したり、斜めから撮影したりすると、テキストを構成するピクセル数が少なくなります。文書がフレームの大部分を占めるように近づいて撮影してください。目安として、スマートフォンの画面で全てのテキストを問題なく読める場合、解像度はおそらく十分です。

期待される改善効果： 低解像度スキャンと比較して15～20%の向上。これは最も費用対効果の高い変更です。スキャナーの設定を調整するだけでコストはかかりません。

2. 照明条件を整える（特にスマホ撮影の場合）

なぜ重要か：照明が不均一だと、書類全体に影やハイライト、グラデーションが生じます。OCRエンジンはテキストを読み取る前にこれらを除去する必要があります。請求書の日付に影がかかると、"2024-03-15"が"2024-03-1S"になる可能性があります。"5"の一部が隠れるからです。デスクライトの映り込みで列全体が白飛びすることもあります。

対策：書類を平らな面に置き、均一で拡散した光の下で撮影します。手やスマホの影ができる真上の照明は避けてください。曇りの日の窓からの自然光が最適なことが多いです。定期的に書類をスキャンするなら、小型のドキュメントスキャナーやフィーダー式スキャナーを使えば、照明のばらつきを完全に排除できます。

バッチ取り込みの場合：フラットベッドスキャナーやドキュメントフィーダーは、安定した照明を提供します。処理量に見合うなら、照明を一定にするだけで得られる精度向上が、ハードウェアのコストを十分に回収できます。

期待できる改善効果：これまで照明が不十分だったスマホ撮影書類で5～10%。さらに重要なのは、照明のばらつきが原因で発生する予測不能なエラー（一見もっともらしく見えるため見逃されがち）を排除できることです。

3. 画像のコントラストを高める

なぜ重要か：低コントラスト（薄いグレーの背景に濃いグレーのテキスト）は、OCR精度を静かに損なう原因です。人間がかろうじて読める文字でも、OCRエンジンには同様に読めません。テキストが背景に溶け込み、エンジンは部分的な形状情報から推測することになります。

対策：テキストと背景のコントラストを高めます。最も効果的な方法は、CLAHE（コントラスト制限適応型ヒストグラム均等化）です。これは、均一な領域のノイズを過度に増幅することなく、局所的なコントラストを強調します。標準的なグローバルヒストグラム均等化も有効ですが、ノイズの多い背景を悪化させる可能性があります。

実践：多くのOCRツール（Adobe Acrobat、ABBYY FineReader、Tesseractなど）には、コントラスト強調機能が組み込まれています。画像を自分で前処理する場合は、OpenCVのcreateCLAHE関数で直接制御できます。ほとんどの書類では、クリップ制限を2.0～3.0、タイルグリッドサイズを8×8に設定します。

期待できる改善効果：自然にコントラストが低い書類（かすれたレシート、古いコピー、経年劣化した感熱紙など）で5～10%。

4. 傾き補正（傾いたページ）

なぜ重要か： ほんの5度、目にはほとんどわからない程度の傾きでも、OCRの単語誤り率が15%以上上昇することがあります。OCRエンジンは水平なテキストベースラインを頼りに行や単語を分割します。ベースラインが傾くと行の分割に失敗し、2行の文字が混ざったり、1行が断片化したりします。その結果、元の文書とは似ても似つかない文字化けが発生します。

対策： デスキュー（傾き補正、回転補正とも呼ばれます）を使用します。ほとんどのOCRソフトウェアには自動デスキュー機能が搭載されていますので、有効にしてください。手動で前処理する場合は、傾き角度を検出し（通常はハフ変換または最大テキストブロックのバウンディングボックスを使用）、画像をその角度だけ逆回転させます。ScanTailor、unpaper（Linux）、Adobe Acrobatのデスキュー機能などが適しています。

重要な閾値： Tesseract OCRは、±2度程度の傾きであれば精度を大きく損なわずに処理できます。2度を超えると自動デスキューが必須になります。10度を超えると、一部のOCRエンジンは完全に機能しなくなります。

期待される改善効果： 傾きが目立つページで単語誤り率が10～15%減少します。これは最も簡単な修正の一つで、多くのスキャンソフトウェアではチェックボックス一つで済みます。

5. 正しい言語を設定する

なぜ重要か： OCRエンジンは言語モデルを使用して文字を判別します。エンジンが英語に設定されている場合、「rn」（rの後にn）は特定の文脈で「m」よりも確率の高い文字列であると認識します。また、「an」の後に特定の文字の組み合わせが来る可能性が低いことも学習しています。文書がドイツ語でエンジンが英語に設定されていると、ドイツ語特有の文字の組み合わせ（「ß」「ä」「ö」など）を誤解釈し、間違った言語モデルに基づいて誤った修正を強制する可能性があります。

対策： OCRの言語を文書に合わせて設定します。文書に複数の言語が含まれている場合（例：英語の請求書にフランス語の用語が含まれている場合）、関連するすべての言語を選択します。最近のOCRエンジンのほとんどは多言語モードをサポートしています。余分な言語を有効にすることによるパフォーマンスへの影響はごくわずかですが、間違った言語を使用することによる精度への影響は深刻です。

多言語文書： 国際的な請求書、EUの税関書類、バイリンガル契約書など、複数の言語が混在する文書は少なくありません。OCRエンジンで関連する言語（例：英語＋フランス語＋ドイツ語）を有効にすることで、エンジンがフランス語の単語を「無効な」英語のスペルと誤認識するというよくある失敗を防げます。

期待される改善効果： 非ネイティブ言語の文書で3～8%の改善。さらに重要なのは、言語固有の文字に関する致命的なエラーを減らせることです。

文書の種類によって、言語設定の変更に対する反応は異なります。詳細な内訳については、文書タイプ別のOCR精度低下の理由をご覧ください。

6. グレースケール変換と適応的二値化を適用する

重要な理由: カラー画像には、OCRエンジンがテキスト認識に必要とする以上のデータが含まれています。その余分なデータには、ノイズ、圧縮アーティファクト、文字のセグメンテーションを妨げる色のグラデーションが含まれていることがよくあります。グレースケールに変換すると、輝度情報を保持しながら色の次元が削除されます。二値化はさらに一歩進んで、画像を白地に黒のテキストに変換します。これは、ほとんどのOCRエンジンが内部的に好む形式です。

すべきこと: 最初にグレースケール変換を適用します。次に、大域的二値化ではなく、適応的二値化を使用して画像を二値化します。大域的二値化は画像全体に1つのしきい値を適用するため、照明が不均一な文書や部分的な影がある文書ではうまく機能しません。適応的二値化は領域ごとに局所的なしきい値を計算するため、グラデーションを自然に処理できます。

推奨方法: 大津の二値化は、鮮明な文書には適した出発点です。照明が変動する文書には、適応的ガウシアンしきい値処理（OpenCVのadaptiveThresholdとADAPTIVE_THRESH_GAUSSIAN_C、ブロックサイズ11～15、Cパラメータ2～5）を使用します。

期待される改善: 背景ノイズや色のグラデーションがある文書では、絶対精度が5～15%向上します。International Journal of Environmental Sciencesに掲載された研究では、大津の二値化とガウシアンブラーを適用することで、印刷テキストのOCR精度が65.56%から90.35%に向上したことが報告されています。

7. 後処理でスペルチェックと辞書検証を使用する

重要な理由: 最高のOCRパイプラインでもエラーは発生します。文字精度99%でも、100文字に1文字は誤りです。5,000文字（約1ページ）の文書では50個のエラーになります。これらのエラーの多くは微妙で、「rn」が「m」に、「cl」が「d」に、「0」（ゼロ）が「O」（文字）に読み替えられるなどです。スペルチェッカーは抽出された「1O」が「10」であるべきかどうかを判断できませんが、後処理の検証レイヤーでそれを疑わしいとフラグ付けし、ドメイン固有の修正を適用できます。

すべきこと: OCR出力を、ドメイン固有の辞書を使用するスペルチェッカーに通します。実用的な2層アプローチは次のとおりです。

層1 — 一般的なスペルチェック: 出力を言語スペルチェッカー（Hunspell、LanguageTool、またはワードプロセッサの組み込みチェッカー）に通します。ドメイン用語ではない明らかなスペルミスを修正します。

層2 — カスタム辞書: ベンダー名、製品コード、標準用語、法律用語など、ドメイン固有の用語の辞書を作成します。OCR出力に現れた単語のうち、一般辞書とカスタム辞書のどちらにも存在しない単語をフラグ付けします。フラグ付けされた用語は手動で確認します。

期待される改善: 単独では1～3%の精度向上ですが、他のすべてをすり抜けるエラー（「1O」と「10」の問題、「rn」と「m」の混同、重要な用語のスペルミス）を捕捉できることが重要です。公開された自動OCR検証の研究によると、実運用ワークフローでは、後処理検証によって残存するOCR単語エラーの約60%が捕捉されます。

8. 重要なフィールドは個別に検証する

なぜ重要か: すべてのフィールドが同じ重要度ではありません。本文の段落で文字を読み間違えても、読者は推測できるため問題は軽微です。しかし、請求書の合計金額、期日、税IDの数字を誤読すると、重大な結果を招きます。文字単位の精度とフィールド単位の精度の区別は、OCR品質において最も重要な概念です。文字精度が99%でも、5桁の金額のうち1桁を誤読すれば、請求書の合計金額を間違える可能性があります。

対策: 文書内の重要なフィールド（金額、日付、請求書番号、ベンダー登録ID、数量）を特定し、それらのフィールドにのみ厳格な検証を適用します。

金額フィールド: 抽出された値が期待される形式（数値、小数点の有無、妥当な範囲内）と一致するか確認します。パターンから逸脱する値にフラグを立てます。例えば、ほとんどの仕入先請求書が100～5,000ドルの場合、1,200,000ドルの合計は誤読の可能性が高いです。
日付フィールド: 期待される日付形式（YYYY-MM-DD vs DD/MM/YYYY）、範囲（遠い未来や過去ではない）、論理的な整合性（期日が請求日より後）を検証します。
数値識別子: 請求書番号、発注番号、税IDは多くの場合、特定のパターンに従います。既知の形式が「INV-2026-XXXXX」の場合、一致しない抽出番号にはフラグを立てます。

期待される改善効果: このヒントは全体的な精度を向上させるものではなく、実用的な精度を向上させます。最も重要なフィールドが正しいことを保証し、重要でないテキストの軽微なエラーは許容します。業務ワークフローにおいて、これは完全な手動レビューが必要な出力と、スポットチェック後に直接使用できる出力の違いを生みます。

業務文書においてフィールド単位の精度が重要な指標である理由の詳細は、OCR精度の実際の意味とは？をご覧ください。

9. OCRに適したフォントを選ぶ

なぜ重要か：OCRエンジンにとって、すべてのフォントが同じように認識しやすいわけではありません。Arial、Helvetica、Courier、Times New Roman（標準ウェイト）のような、シンプルで均一、かつ文字間隔が適切なフォントが最も高い認識率を実現します。一方、装飾フォント、スクリプトフォント、凝縮フォント、極細のストロークを持つフォントは、文字間の差異が小さすぎてエンジンが確実に区別できず、問題を引き起こします。

対策：請求書、発注書、契約書など、自ら文書を作成する場合は、10pt以上の標準的なサンセリフ体またはセリフ体を使用してください。以下のフォントは避けましょう：

• スクリプト体や手書き風フォント（文字の境界が曖昧になる）
• 凝縮フォント（文字同士が近すぎてセグメンテーションが困難）
• 極細または非常に細いフォント（ストローク幅がOCRエンジンの解像限界を下回る）
• 小さなフォントのイタリック体（傾きにより実効的な文字間隔が減少する）

文書を受け取る立場の場合：このヒントは主に予防策です。取引先から認識しにくいフォントの文書が送られてきた場合、前処理（特にコントラスト強調や適応的二値化）である程度補えますが、標準フォントに比べると認識率は低下します。これを理解しておくことで、現実的な期待値を設定できます。文書作成者のフォント選択が悪ければ、前処理の品質に関わらず精度に上限が生じるのです。

期待できる改善効果：認識しにくいフォント（スクリプト体、装飾体、極細）から標準フォントに変更することで、2～5%の改善が見込めます。さらに重要なのは、特定のフォントで一部の文字だけが一貫して誤認識される「ランダムな失敗」パターンが解消されることです。

10. 清潔な原稿から始める

なぜ重要か：根本的に劣化した原稿から、前処理だけで完全にテキストを復元することはできません。財布の中で半年間くしゃくしゃになったレシート、FAX受信後にスキャンされた契約書、経年で黒く変色した感熱紙の印刷物など、これらの文書は情報が恒久的に失われています。前処理でノイズ除去、傾き補正、コントラスト強調はできても、もはや存在しないピクセルを復元することは不可能です。

対策：スキャンする前の文書の品質に注意を払いましょう。

• 原稿は平らで乾燥した状態で保管する。くしゃくしゃの紙は、折り目による影と永久的な歪みを生みます。
• 重要な文書については、物理的なコピーをスキャンする代わりに、送信元に清潔なコピーまたはデジタル原稿（PDF）を依頼しましょう。
• FAX機を通った文書のスキャンは避ける。FAXは画像を大幅に圧縮し、アナログノイズを顕著に付加します。
• 損傷した原稿をどうしてもデジタル化する必要がある場合は、手動での確認を優先する。自動処理では完全に修正できないエラーが必ず含まれます。

期待できる改善効果：現在の原稿の劣化度合いに完全に依存するため、数値化は困難です。しかし、簡単な判断基準があります。もしあなた自身が文字を確信を持って読めないなら、OCRエンジンも同様です。これを、より清潔な原稿を入手するために投資するか、手動レビューが必要だと受け入れるかの判断基準としてください。

OCRのよくある問題とトラブルシューティング

10のヒントをすべて適用しても、精度の問題が残ることがあります。ここでは、最も一般的な失敗パターンとその診断方法を紹介します。

よくある質問