Tesseract OCR für mehrere Sprachen (Entwickler-Tutorial)

Wie man Tesseract OCR mit mehreren Sprachen verwendet

1. Installieren Sie zunächst das IronOCR/Tesseract NuGet-Paket in Ihrem .NET-Projekt.
2. Erstellen Sie eine Instanz der Klasse IronTesseract, die die OCR-Engine initialisieren wird.
3. Die Spracheigenschaft unterstützt mehr als eine Sprache.
4. Geben Sie den Pfad der Bilddatei an, die Sie verarbeiten möchten, und erstellen Sie dann ein OcrInput-Objekt.
5. Führen Sie nun mit der Funktion Lesen der Instanz IronTesseract eine OCR für das Eingabebild durch.
6. Nehmen Sie das Ergebnis und zeigen Sie den erkannten Text an.

Was ist Tesseract?

Tesseract ist eine offene Optical Character Recognition Engine, die von Hewlett-Packard entwickelt und später von Google gepflegt wurde. Das Programm ist für seine hohe Genauigkeit und Anpassungsfähigkeit bekannt, was es zu einem der bekanntesten OCR-Programme macht. Tesseract unterstützt Skripterkennung, erkennt Text in vielen Sprachen und kann mehrere Sprachen verarbeiten; daher wird sie im Allgemeinen für Projekte verwendet, die mehrsprachige Dokumente und Unterstützung erfordern.

Die OCR-Engine von Tesseract arbeitet mit Informationen, die in jedem einzelnen Pixel des Bildes enthalten sind, und folgt Mustern, die Zeichen, Wörter und Sätze darstellen, die schließlich in maschinenlesbaren Text umgewandelt werden. Die vielen unterstützten Bilddateitypen wie TIFF, JPEG und PNG ermöglichen es Tesseract, Texte in Formaten wie einfachem Text, HTML und durchsuchbarem PDF zu erstellen.

Einer der großen Vorteile von Tesseract ist, dass es so trainiert werden kann, dass es auf bestimmte Schriftarten oder neu hinzugefügte Sprachen reagiert. Sie wird auch häufig in verschiedenen Anwendungen eingesetzt, von der einfachen Textextraktion bis hin zu komplexen Aufgaben bei der Digitalisierung historischer Dokumente, der Bearbeitung von Rechnungen oder auch bei barrierefreier Software, die das Lesen für Sehbehinderte ermöglicht.

Erstellen eines neuen Projekts in Visual Studio

Öffnen Sie das Programm Visual Studio. Wenn Sie das Programm öffnen, gehen Sie zum "Dateimenü" Unter dem Menü "Datei" befindet sich die Option "Neues Projekt" Klicken Sie unter "neues Projekt" auf "Konsolenanwendung" In diesem Beitrag werden wir PDF-Dokumente mithilfe eines Konsolenprogramms erstellen.

Geben Sie den Namen Ihres Projekts und den Speicherort der Datei in die vorgesehenen Textfelder ein. Klicken Sie dann, wie in der Abbildung unten dargestellt, auf die Schaltfläche Erstellen und wählen Sie das gewünschte .NET Framework aus.

Nachdem nun die Anwendungsversion ausgewählt wurde, wird die Struktur des Visual Studio-Projekts erstellt. Wenn Sie die Konsolen-, Windows- oder Web-Version gewählt haben, wird die program.cs-Datei geöffnet, um Code hinzuzufügen und die Anwendung zu erstellen/auszuführen.

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

Imports System
Imports System.Drawing
Imports Tesseract

Friend Class Program
	Shared Sub Main()
		' Set the path to the Tesseract data files (traineddata files)
		Dim tessDataPath As String = "./tessdata" ' Ensure this directory contains the language data files

		' Load the image
		Dim imagePath As String = "path_to_your_image.png"
		Using img = Pix.LoadFromFile(imagePath)
			' Add languages to the Tesseract engine
			Using engine = New TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default)
				Using page = engine.Process(img)
					' Extract the text
					Dim text As String = page.GetText()
					Console.WriteLine("Recognized Text:")
					Console.WriteLine(text)
				End Using
			End Using
		End Using
	End Sub
End Class

Was ist IronOCR?

IronOCR ist eine proprietäre OCR-Bibliothek mit Schwerpunkt auf .NET. Es fügt OCR-Funktionen zu .NET-Anwendungen hinzu und ermöglicht die Textextraktion aus Bildern, gescannten Dokumenten, PDFs und allen anderen visuellen Medien. IronOCR setzt auf modernste Texterkennung mit der unglaublich erfolgreichen Tesseract-Engine und bietet darüber hinaus einige zusätzliche Funktionen, die es für den Einsatz in Unternehmensanwendungen geeignet machen.

IronOCR bietet eine enorme Sprachunterstützung - mehr als 120 Sprachen mit Unterstützung für die automatische Spracherkennung und die Verarbeitung von Dokumenten, die mehrere Sprachen gleichzeitig enthalten. Dadurch ist IronOCR sehr vielseitig und kann weltweit eingesetzt werden, wo die Verarbeitung mehrsprachiger Dokumente äußerst wichtig ist.

Andererseits legt IronOCR großen Wert auf die Einfachheit der Nutzung und Integration. Die extrem einfach zu bedienende API wird durch eine ausführliche Dokumentation und eine Reihe von Beispielprojekten ergänzt, die jedem Entwickler helfen, schnell loszulegen. Es wird eine Vielzahl von Bildformaten und PDF-Dokumenten unterstützt. Integrierte erweiterte Funktionen zur Bildvorverarbeitung, Rauschunterdrückung und Fehlerkorrektur verbessern die OCR-Genauigkeit und -Leistung.

IronOCR installieren

Sie können die Pakete mit dem NuGet-Paketverwaltungstool von Visual Studio direkt in Ihrer Lösung installieren. Der folgende Schnappschuss zeigt, wie man den NuGet Package Manager öffnet.

Sie verfügt über ein eingebettetes Suchfeld, das eine Liste von Paketen von der NuGet-Website anzeigt. Wie im Screenshot unten zu sehen, suchen wir im Paketmanager nach dem Ausdruck IronOCR:

Die Suchergebnisse könnten eine Liste möglicher Lösungen enthalten. Sie müssen das erforderliche Lösungspaket für die Installation auswählen.

Installieren Sie außerdem die erforderlichen Tesseract-Sprachpakete nacheinander, wie z. B. das unten stehende für dieses Beispiel.

In diesem Beispiel werden wir spanische, französische und englische Sprachcodes verwenden. Englisch ist das Standard-Sprachpaket und muss nicht installiert werden.

Installieren Sie Spanisch aus dem NuGet-Paket.

Mehrere Sprachen lesen mit IronOCR mit Tesseract Engine

Das folgende Beispiel zeigt, wie man mit C# und der IronOCR- und Tesseract-Engine Text in mehreren Sprachen aus einem Bild erkennen kann.

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

Imports IronOcr

Friend Class Program
	Shared Sub Main(ByVal args() As String)
		' Initialize IronTesseract engine
		Dim Ocr = New IronTesseract()

		' Add multiple languages
		Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French

		' Path to the image
		Dim inputFile = "path\to\your\image.png"

		' Read the image and perform OCR
		Using input = New OcrInput(inputFile)
			' Perform OCR
			Dim result = Ocr.Read(input)

			' Display the result
			Console.WriteLine("Recognized Text:")
			Console.WriteLine(result.Text)
		End Using
	End Sub
End Class

Das obige C#-Programm verwendet die IronOCR-Bibliothek, um eine optische Zeichenerkennung für ein Bild mit englischen, spanischen und französischen Zeichen durchzuführen. Das Programm beginnt mit dem Import des erforderlichen Namespace für IronOCR und der Deklaration einer Klasse namens Programm mit einer Main-Methode, die den Einstiegspunkt der Anwendung darstellt.

In der Methode Main wird eine Instanz der Klasse IronTesseract instanziiert und der Variablen Ocr zugewiesen. Die Eigenschaft Sprache wird so eingestellt, dass sie Englisch, Spanisch und Französisch umfasst, indem OcrLanguage.English, OcrLanguage.Spanish und OcrLanguage.French kombiniert werden. Dadurch wird sichergestellt, dass die OCR-Engine Text in jeder dieser drei Sprachen erkennen und verarbeiten kann.

Der Pfad zur Eingabebilddatei wird über die Variable inputFile festgelegt. Das Bild wird dann innerhalb einer using-Anweisung mit einer Instanz der OcrInput-Klasse geladen, um die Ressourcen ordnungsgemäß zu verwalten und zu entsorgen. Schließlich wird die Lesen-Methode der IronTesseract-Instanz mit dem Eingabeobjekt aufgerufen, um die OCR des Bildes durchzuführen.

Der erkannte Text wird dann mit der Methode Console.WriteLine auf der Konsole ausgegeben. Dieses Programm veranschaulicht eine effektive Methode zur Nutzung der mehrsprachigen Fähigkeit von IronOCR, um Text aus Bildern zu extrahieren, die Wörter in verschiedenen Sprachen enthalten.

Abschluss

Sowohl Tesseract als auch IronOCR sind robuste OCR-Technologien, die jedoch jeweils über einzigartige Fähigkeiten und Stärken verfügen. Tesseract ist als Open-Source-Software verlässlich für jeden, der eine kostenlose Lösung sucht, und verfügt über aktive Communities und kontinuierliche Verbesserungen.

Im Gegensatz dazu ist IronOCR eine proprietäre Bibliothek für das .NET Framework, die eine verbesserte Benutzerfreundlichkeit durch einfachere Integration und Unterstützung für die meisten Bilddateitypen bietet. Auch bei der Texterkennung zeigt sie gute Leistungen, insbesondere bei Bildinhalten von geringer Qualität. IronOCR unterstützt viele Sprachen und verfügt über zusätzliche Funktionen, die es noch benutzerfreundlicher machen.

IronOCR bietet eine kostengünstige Entwicklungsversion an, die beim Kauf mit einer lebenslangen Lizenz ausgestattet ist. Das IronOCR-Paket beginnt bei $liteLicense als einmalige Kosten für mehrere Systeme und bietet ein ausgezeichnetes Preis-Leistungs-Verhältnis und 24/7 Online-Support für lizenzierte Benutzer. Weitere Informationen finden Sie auf der IronOCR-Website.