BDRC Tibetan OCR：チベット語OCRツールの紹介と実装事例

用途: 印刷された経典、現代の出版物
データセット: 440万サンプルの統一ウチェンモデル
特徴: チベット語で最も標準的な書体
適用例: コンピューターフォントで印刷されたテキスト、木版印刷

用途: 手書き写本、草書体の文書
データセット: Ume-Druma（ドゥルマ体）とUme-Petsuk（ペツク体）の2種類
特徴: ウチェンより丸みを帯びた流麗な書体
適用例: 伝統的な手書き経典、装飾写本

用途: 伝統的な木版印刷テキスト
データセット: 第8カルマパの雑著から約3万行のレビュー済みサンプル
特徴: 古い版画特有の不規則さや劣化に対応
適用例: チベット仏教の伝統的な版木印刷物、古い木版印刷の欠け・かすれ・インクの滲みなど

# batch_ocr_from_iiif.py の主要機能

# IIIFマニフェストから画像URLを自動抽出
def extract_image_urls(manifest: dict) -> List[Tuple[str, str, int, int, str]]:
    """Extract image URLs from IIIF manifest
    Returns: List of (label, image_url, width, height, iiif_service_url)
    """
    images = []
    sequences = manifest.get('sequences', [])

    for sequence in sequences:
        canvases = sequence.get('canvases', [])
        for canvas in canvases:
            # 画像URLとメタデータを抽出
            label = canvas.get('label', 'unknown')
            width = canvas.get('width', 0)
            height = canvas.get('height', 0)
            # ...

    return images

# OCRパイプラインの初期化
pipeline = OCRPipeline(platform, ocr_config, line_config)

# 各画像に対してOCR実行
status, result = pipeline.run_ocr(
    image=image,
    k_factor=2.5,           # 行抽出の調整パラメータ
    bbox_tolerance=4.0,     # バウンディングボックスの許容範囲
    merge_lines=True,       # 行チャンクのマージ
    use_tps=False,          # TPS歪み補正の有無
    target_encoding=Encoding.Unicode
)

# TEI/XML形式での出力
def create_tei_xml(manifest_label: str, page_results: List[dict],
                   output_path: str, identifier: str = None):
    """Create a TEI XML file for all pages with IIIF information"""

    # TEIヘッダー（メタデータ）
    title = etree.SubElement(title_stmt, f"{{{TEI_NS}}}title")
    title.text = manifest_label

    # テキスト本体
    for page_data in page_results:
        # ページブレーク（IIIF画像URLを含む）
        pb = etree.SubElement(p, f"{{{TEI_NS}}}pb")
        pb.attrib["n"] = str(page_num)
        pb.attrib["facs"] = page_data['iiif_service_url']

        # 行データ（座標情報へのリンク）
        for line_idx, line_text in enumerate(page_data['line_texts'], 1):
            lb = etree.SubElement(p, f"{{{TEI_NS}}}lb")
            lb.attrib["corresp"] = f"#z{page_num}_l{line_idx}"
            lb.attrib["n"] = str(line_idx)
            lb.tail = line_text

    # Facsimile（画像と座標データ）
    for page_data in page_results:
        # 各行の座標をzone要素として保存
        for line_idx, line_coords in enumerate(page_data['line_coords'], 1):
            zone = etree.SubElement(surface, f"{{{TEI_NS}}}zone")
            zone.attrib[f"{{{XML_NS}}}id"] = f"z{page_num}_l{line_idx}"
            zone.attrib["ulx"] = str(min(x_coords))
            zone.attrib["uly"] = str(min(y_coords))
            zone.attrib["lrx"] = str(max(x_coords))
            zone.attrib["lry"] = str(max(y_coords))

TEI xmlns="http://www.tei-c.org/ns/1.0">
  teiHeader>
    titleStmt>title>Trisaṁvara-nirdeśatitle>titleStmt>
    publicationStmt>
      idno type="UUID">845065fa-1f31-11ec-9621-0242ac130002idno>
    publicationStmt>
  teiHeader>
  text>
    body>
      p>
        pb n="1" facs="https://img.toyobunko-lab.jp/iiif/..."/>
        lb corresp="#z1_l1" n="1" type="line"/>ཨ་ཀ།
      p>
    body>
  text>
  facsimile>
    surface xml:id="page-0" n="1" ulx="0" uly="0" lrx="7360" lry="4912">
      graphic url="https://img.toyobunko-lab.jp/iiif/..."/>
      zone xml:id="z1_l1" ulx="2720" uly="678" lrx="3942" lry="774"/>
    surface>
  facsimile>
TEI>

1. IIIFマニフェストから画像URLとメタデータを取得
   ↓
2. 高解像度画像をダウンロード（または既存のものを使用）
   ↓
3. BDRC Tibetan OCR（Woodblockモデル）で各ページを処理
   ↓
4. OCR結果を以下の形式で出力：
   - 個別ページのテキストファイル (page_0001.txt)
   - PageXML形式（座標情報付き）
   - TEI/XML形式（座標情報とIIIF URLを含む）
   ↓
5. Webビューアで公開
   - 画像（OpenSeadragon）とテキストを並列表示
   - DTS Collections APIでメタデータを提供

python run_ocr.py \
  --image /path/to/tibetan_page.jpg \
  --model Woodblock \
  --format all \
  --encoding unicode

python batch_ocr_from_iiif.py \
  --manifest "https://app.toyobunko-lab.jp/iiif/2/UUID/manifest" \
  --output-dir iiif_ocr_output \
  --model Woodblock \
  --format both \
  --identifier UUID

import sys
import cv2
sys.path.insert(0, '/path/to/tibetan-ocr-app')

from BDRC.Utils import get_platform
from BDRC.Data import Encoding, LineDetectionConfig, OCRModelConfig
from BDRC.Inference import OCRPipeline
from BDRC.Data import CharsetEncoder, OCRArchitecture

# モデル設定の読み込み
ocr_config = OCRModelConfig(
    model_file="/path/to/OCRModels/Woodblock/OCRModel.onnx",
    architecture=OCRArchitecture.Easter2,
    input_height=96,
    input_width=1024,
    charset="charset.json",
    encoder=CharsetEncoder.Stack
)

line_config = LineDetectionConfig(
    model_file="/path/to/Models/Lines/PhotiLines.onnx",
    patch_size=512
)

# パイプラインの初期化
platform = get_platform()
pipeline = OCRPipeline(platform, ocr_config, line_config)

# 画像の読み込みとOCR実行
image = cv2.imread("tibetan_page.jpg")
status, result = pipeline.run_ocr(
    image=image,
    target_encoding=Encoding.Unicode
)

if status.name == "SUCCESS":
    rot_mask, lines, ocr_lines, angle = result
    for line in ocr_lines:
        print(line.text)

༄༅། །འཕགས་པ་གསང་བ་གསུམ་པ་བསྟན་པ་ཞེས་བྱ་བ་ཐེག་པ་ཆེན་པོའི་མདོ།
ན་མོ་བུདྡྷཱ་ཡ། ན་མོ་དྷརྨཱ་ཡ། ན་མོ་སངྒྷཱ་ཡ།
...

PcGts xmlns="http://schema.primaresearch.org/PAGE/gts/pagecontent/2013-07-15">
  Page imageFilename="page_0001.jpg" imageWidth="7360" imageHeight="4912">
    TextRegion id="page_1_region">
      TextLine id="page_1_line_0">
        Coords points="2720,678 3942,678 3942,774 2720,774"/>
        TextEquiv>Unicode>༄༅། །འཕགས་པ་གསང་བ་གསུམ་པ་བསྟན་པ་Unicode>TextEquiv>
      TextLine>
    TextRegion>
  Page>
PcGts>

{"line": 0, "text": "༄༅། །འཕགས་པ་གསང་བ་གསུམ་པ་བསྟན་པ་", "coords": [[2720, 678], [3942, 678], [3942, 774], [2720, 774]]}
{"line": 1, "text": "ན་མོ་བུདྡྷཱ་ཡ། ན་མོ་དྷརྨཱ་ཡ། ན་མོ་སངྒྷཱ་ཡ།", "coords": [[2650, 820], [4012, 820], [4012, 916], [2650, 916]]}