本を文字にする、3つの方法。
裁断するか、1枚ずつ撮るか、動画で流すか。

1冊2分の動画は、30fpsなら3,600フレームあります。 そのうち使えるのはページが平らに開いて静止した一瞬だけ。 めくり途中はすべて捨てる必要があります。

実装としてはラプラシアン分散でブレを検出し、 連続フレームの差分が小さくなった＝動きが止まった瞬間を候補にするのが基本形です。

本は平らに開きません。ノド（綴じ side）に向かって紙が湾曲するので、 文字が曲がり、行が波打ちます。OCRの精度はここで決まります。

vFlatの主機能がまさにこれで、この一点で製品の優劣がつくと言っていい。 ページの輪郭から3D的な曲面を推定して平面に戻す処理が要ります。

同一ページが連続フレームに写るので、「同じページ」をまとめて1枚選ぶ必要があります。 画像の類似度だけで判定すると、似た見開きを取り違える。

実用的にはノンブル（ページ番号）をOCRで読んで並べ直すのが確実ですが、 ノンブルが無い本、位置が動く本があるので、これだけでは足りません。

照明とシャッタースピードが足りなければ、後処理では救えません。 速くめくるほどブレる。暗いほどシャッターが遅くなり、さらにブレる。

だから実際の製品は「明るい場所で、ゆっくりめくって」とユーザーに指示することになります。 ここを設計に含めないと、レビュー欄が「読み取れない」で埋まります。

数年前と決定的に違うのがこの部分です。 Apple の Vision フレームワークと Google の ML Kit が、端末内で無料で動きます。 日本語の縦書きも実用水準に入りました。

つまりOCRエンジンを自作する必要はない。 勝負は前工程（01〜04）に移っています。

OCRの目安は300dpi。文庫本の小さい文字なら400dpi欲しい。 スマホ撮影の場合はページいっぱいにフレームを埋めることが実質的な解像度確保になります。

正面から当てると紙の反射が白飛びします。 斜め上から2方向で当てると影が消え、コントラストが安定する。 蛍光灯1本の下で撮るのが、いちばん失敗します。

昔の常識は「2値化して軽くする」でしたが、 現代のOCRはグレースケールのほうが精度が出ることが多い。 薄い文字や網かけが潰れなくなるためです。

日本語の縦書きは、自動判定に任せると横書きとして読まれて崩れることがあります。 言語と書字方向を明示的に指定できるツールを選ぶと精度が跳ねます。