Wie man eine Zeichenerkennung in C# erstellt

Verbesserter Tesseract-OCR-Engine

IronOCR hebt die Fähigkeiten der weit verbreiteten Tesseract-OCR-Engine durch Erhöhung der Genauigkeit und Geschwindigkeit hervor. Es dient als robuste Lösung zur Extraktion von Text aus verschiedenen Quellen, einschließlich Bildern, PDFs und verschiedenen Dokumentformaten.

Umfassende Sprachabdeckung

Mit der Unterstützung von über 125 Sprachen ist IronOCR in der Lage, mehrsprachige Anforderungen zu bewältigen und stellt eine ideale Wahl für Anwendungen dar, die sprachliche Vielseitigkeit erfordern.

Vielseitige Ausgabeoptionen

Der extrahierte Text kann bequem als Klartext oder strukturierte Daten ausgegeben werden, um eine nahtlose Integration in weitere Verarbeitungspipelines zu ermöglichen. Außerdem ermöglicht IronOCR die Erstellung durchsuchbarer PDFs direkt aus Bildvorlagen.

Plattformübergreifende Anpassungsfähigkeit

Entwickelt für die Kompatibilität mit C#, F# und VB.NET, funktioniert IronOCR nahtlos in verschiedenen .NET-Umgebungen, einschließlich Versionen 8, 7, 6, Core, Standard und Framework.

Nutzung von Tesseract 5

IronOCR nutzt die Leistung von Tesseract 5, fein abgestimmt für optimale Leistung innerhalb des .NET-Ökosystems.

Zonenbasierte OCR-Fähigkeit

Mit IronOCR können Benutzer spezifische Zonen in Dokumenten genau definieren und so ein gezieltes OCR-Processing ermöglichen. Diese Funktion verbessert die Genauigkeit und Effizienz, indem die Verarbeitungsleistung auf die Bereiche fokussiert wird, wo sie am meisten gebraucht wird.

Bildvorverarbeitungstools

Die Bibliothek bietet eine Vielzahl von Bildvorverarbeitungsfunktionen, wie z.B. das Begradigen und Rauschminderung. Diese Tools sorgen auch bei unvollkommenen Quellbildern für überlegene Ergebnisse und optimieren letztlich das gesamte OCR-Erlebnis.

Jetzt werden wir eine Demo-Anwendung entwickeln, die IronOCR nutzt, um Text aus Bildern zu lesen.

Code-Erklärung

1. IronTesseract-Instanz: Wir beginnen mit der Erstellung einer IronTesseract-Instanz, um OCR-Operationen durchzuführen.
2. Laden von Bildern: Wir laden das Beispielbild in das OcrInput-Objekt.
3. Texterkennung: Der Text im Bild wird gelesen, und das Ergebnis wird in der Konsole ausgegeben.

Ausgabe

Sprachauswahl

Sie können die Sprache für das OCR mit der Sprachproperty festlegen. Zum Beispiel, um die Sprache auf Englisch festzulegen, verwenden Sie:

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.English

Seitensegmentierungsmodus

Der Seitensegmentierungsmodus bestimmt, wie Tesseract das Eingabebild segmentiert. Die Optionen umfassen AutoOsd, SingleBlock, SingleLine und mehr. Zum Beispiel:

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd

Benutzerdefinierte Tesseract-Variablen

Sie können Tesseract feinabstimmen, indem Sie spezifische Variablen festlegen. Zum Beispiel, um die Parallelisierung zu deaktivieren:

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables("tessedit_parallelize") = False

Whitelisting und Blacklisting von Zeichen

Verwenden Sie WhiteListCharacters und BlackListCharacters, um zu steuern, welche Zeichen Tesseract erkennt. Zum Beispiel:

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ"
ocr.Configuration.BlackListCharacters = "`ë|^"

Zusätzliche Konfigurationsvariablen

Erkunden Sie andere Tesseract-Konfigurationsvariablen, um das Verhalten nach Ihren Bedürfnissen anzupassen. PDF-Erstellung und PDF-Generierung werden von iText 7 unterstützt, während die HTML-zu-PDF-Konvertierung von pdfHTML unterstützt wird.

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables("classify_num_cp_levels") = 3
ocr.Configuration.TesseractVariables("textord_debug_tabfind") = 0
' ... (more variables)

Nun lassen Sie uns versuchen, dasselbe Bild mit erweiterten Einstellungen zu dekodieren

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

Imports IronOcr

Public Class Program
	Public Shared Sub Main()
		Console.WriteLine("Decoding using advanced features")
		Dim ocrTesseract = New IronTesseract() With {
			.Language = OcrLanguage.EnglishBest,
			.Configuration = New TesseractConfiguration() With {
				.ReadBarCodes = False,
				.BlackListCharacters = "`ë|^",
				.WhiteListCharacters = Nothing,
				.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
				.TesseractVariables = Nothing
			},
			.MultiThreaded = False
		}

		Dim ocrInput As New OcrInput() ' Create a disposible ocr input object
		ocrInput.AddImage("sample1.png") ' Load the sample image
		Dim ocrResult = ocrTesseract.Read(ocrInput) ' Read the text from the image
		Console.WriteLine(ocrResult.Text) ' Output the text
	End Sub
End Class

Code-Erklärung

1. IronOCR-Konfiguration: Eine Instanz von IronTesseract (der Hauptklasse von IronOCR) wird erstellt und der Variable ocrTesseract zugewiesen.

   Konfigurationseinstellungen werden auf ocrTesseract angewendet:

   • Sprache: Legt die Sprache für das OCR fest (in diesem Fall Englisch).
   • Konfiguration: Ein TesseractConfiguration-Objekt, das weitere Anpassungen ermöglicht:
     • ReadBarCodes: Deaktiviert das Lesen von Barcodes.
     • BlackListCharacters: Gibt die Zeichen an, die auf die schwarze Liste gesetzt werden sollen (Zeichen, die nicht erkannt werden sollen).
     • WhiteListCharacters: Keine Whitelist festgelegt, alle Zeichen sind erlaubt.
     • PageSegmentationMode: Legt den Modus zur Seitensegmentierung auf "AutoOsd" fest.
     • TesseractVariables: Es wurden keine benutzerdefinierten Variablen verwendet.
   • MultiThreaded: Deaktiviert das Multithreading.
2. OCR-Eingang und Bildladen: Ein using-Block erstellt ein entfernbares ocrInput-Objekt vom Typ OcrInput. Die Bilddatei "sample1.png" wird zu ocrInput hinzugefügt.
3. Textextraktion: Die Read-Methode wird auf ocrTesseract aufgerufen und ocrInput übergeben. Das Ergebnis wird in der ocrResult-Variable gespeichert.
4. Ausgabe: Der extrahierte Text wird mit Console.WriteLine(ocrResult.Text) in der Konsole ausgegeben.

Ausgabe

Schritt 5: Leistungstuning der IronOCR-Leseoperation.

Bei der Arbeit mit IronOCR stehen Ihnen verschiedene Bildfilter zur Verfügung, die bei der Vorverarbeitung von Bildern vor dem OCR-Einsatz helfen können. Diese Filter optimieren die Bildqualität, verbessern die Sichtbarkeit und reduzieren das Rauschen oder Artefakte. Sie helfen, die Leistung der OCR-Operation zu verbessern.

1. Drehen:

   Der Rotationsfilter ermöglicht es Ihnen, Bilder um eine bestimmte Anzahl von Grad im Uhrzeigersinn zu drehen. Für eine Drehung gegen den Uhrzeigersinn verwenden Sie negative Zahlen.

2. Begradigen:

   Der Begradigungsfilter korrigiert die Schräglage des Bildes und stellt sicher, dass der Text aufrecht und orthogonal ist. Dies ist besonders nützlich für OCR, da Tesseract am besten mit korrekt ausgerichteten Scans arbeitet.

3. Skalieren:

   Der Skalierungsfilter skaliert OCR-Eingabeseiten proportional.

4. Binarisieren:

   Der Binärisierungsfilter konvertiert jeden Pixel entweder in Schwarz oder Weiß, ohne einen Mittelwert. Er kann die OCR-Leistung in Fällen sehr schwachen Kontrasts zwischen Text und Hintergrund verbessern.

5. In Graustufen konvertieren:

   Der Filter "In Graustufen konvertieren" wandelt jeden Pixel in einen Graustufenbereich um. Auch wenn dies die OCR-Genauigkeit vermutlich nicht signifikant verbessert, kann es die Geschwindigkeit erhöhen.

6. Invertieren:

   Der Invertierungsfilter kehrt Farben um - Weiß wird zu Schwarz, und Schwarz wird zu Weiß.

7. Farbe ersetzen:

   Der Farbwechsel-Filter ersetzt eine bestimmte Farbe in einem Bild durch eine andere Farbe unter Berücksichtigung eines gewissen Schwellenwerts.

8. Kontrast:

   Der Kontrastfilter erhöht automatisch den Kontrast. Er verbessert oft die OCR-Geschwindigkeit und Genauigkeit bei scans mit geringem Kontrast.

9. Erweitern und Erodieren:

   Diese erweiterten Morphologie-Filter manipulieren die Objektgrenzen in einem Bild.

   • Das Erweitern fügt den Objektgrenzen Pixel hinzu.
   • Das Erodieren entfernt Pixel von den Objektgrenzen.

10. Schärfen:

    Der Schärfefilter schärft verschwommene OCR-Dokumente und ebnet Alphakanäle zu Weiß aus.

11. Rauschunterdrückung:

    Der Rauschunterdrückungsfilter entfernt digitales Rauschen. Verwenden Sie ihn, wenn mit Rauschen zu rechnen ist.

12. Starke Hintergrundrauschunterdrückung:

    Dieser schwere Filter zur Hintergrundrauschunterdrückung sollte nur verwendet werden, wenn starker Dokumenthintergrundrausch bekannt ist. Es kann die OCR-Genauigkeit bei sauberen Dokumenten reduzieren und ist CPU-intensiv.

13. Auflösung verbessern:

    Der Auflösungsverbesserungsfilter verbessert die Auflösung von Bildern minderer Qualität. Er wird aufgrund der automatischen Auflösungsbehandlung selten benötigt.

Hier ist ein Beispiel dafür, wie Filter mit IronOCR in C# angewendet werden können:

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Dim ocr = New IronTesseract()
Dim input = New OcrInput()
input.LoadImage("sample.png")
input.Deskew()
Dim result = ocr.Read(input)
Console.WriteLine(result.Text)

Häufige OCR-Anwendungen

1. Dokumentendigitalisierung: OCR wird häufig verwendet, um gescannte Papierdokumente wie Rechnungen, Quittungen, Formulare und Verträge in digitale Formate umzuwandeln. Dieser Digitalisierungsprozess optimiert die Dokumentenlagerung, -abfrage und -verwaltung, reduziert Papieransammlungen und verbessert die Effizienz.
2. Datenextraktion: OCR ermöglicht die Extraktion von Text und Daten aus gescannten Dokumenten, Bildern und PDFs. Diese extrahierten Daten können für die automatisierte Dateneingabe, Inhaltsanalyse, Indizierung und die Integration in Datenbanken oder Geschäftssysteme verwendet werden.
3. Texterkennung in Bildern: Die OCR-Technologie ermöglicht die Textextraktion aus gedruckten Dokumenten und Bildern zu Indizierungs- und Suchzwecken. Diese Fähigkeit wird in verschiedenen Anwendungen eingesetzt, darunter erweiterte Realität, bildbasierte Suchmaschinen und Übersetzungsdienste.
4. Automatische Nummernschilderkennung (ALPR): ALPR-Systeme nutzen OCR, um Nummernschilder aus Bildern oder Videostreams zu lesen, die von Kameras in Verkehrskontrollen, Parkplatzmanagement, Mauterhebung und Strafverfolgungsanwendungen erfasst werden.
5. Barrierefreie Lösungen: OCR spielt eine entscheidende Rolle bei der Erstellung von zugänglichen Inhalten für Personen mit Sehbehinderungen. Indem Texte aus Bildern oder Dokumenten in Sprache oder Brailleschrift umgewandelt werden, hilft OCR, Informationen für Menschen mit Behinderungen zugänglich zu machen.
6. Identitätsverifizierung: OCR-Technologie wird in Identitätsverifizierungsprozessen eingesetzt, beispielsweise beim Scannen und Verarbeiten von Ausweisdokumenten wie Pässen, Führerscheinen und Ausweisen. Sie hilft bei der Verifizierung der Echtheit von Dokumenten und bei der Extraktion relevanter Informationen für die Identitätsüberprüfung.
7. Bankwesen und Finanzen: OCR wird im Bankwesen und in der Finanzbranche bei Aufgaben wie dem Lesen von Schecks, der Bearbeitung von Rechnungen, der Umwandlung bestehender PDF-Dokumente, der Extraktion von Daten aus Finanzberichten und der Automatisierung dokumentenbasierter Arbeitsabläufe verwendet, um die Genauigkeit und Effizienz in Finanzoperationen zu verbessern.
8. Automatische Übersetzung: OCR-Technologie wird in Übersetzungswerkzeuge und Sprachlern-Apps integriert, um gedruckte Texte von einer Sprache in eine andere zu konvertieren. Benutzer können Text mit ihren Geräten erfassen, und OCR hilft dabei, ihn in Echtzeit in die gewünschte Sprache zu übersetzen.
9. Archivierung und Bewahrung historischer Dokumente: OCR wird zur Digitalisierung von Archivmaterialien und historischen Dokumenten verwendet, um sie in digitalen Formaten für zukünftigen Zugang, Forschung und Analyse zu bewahren und gleichzeitig das wertvolle kulturelle Erbe zu erhalten.