OCR-Konfiguration für fortgeschrittenes Lesen

Eingabe

Der folgende Fahrzeugzulassungsdatensatz enthält eine Mischung aus Großbuchstaben, Kleinbuchstaben und Sonderzeichen (@, $, #, |, *), sowie die Zeichensetzung.

BlackListCharacters ergänzt die Whitelist, indem es bekannte Störsymbole wie , and*`.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading.cs

using IronOcr;

// Initialize the Tesseract OCR engine
IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only characters that appear on license plates
    WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",

    // Blacklist common noise characters
    BlackListCharacters = "`~@#$%&*",
};

var ocrInput = new OcrInput();
// Load the input image
ocrInput.LoadImage("advanced-input.png");
// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Print the filtered text result to the console
Console.WriteLine(results.Text);

Imports IronOcr

' Initialize the Tesseract OCR engine
Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    ' Whitelist only characters that appear on license plates
    .WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",
    
    ' Blacklist common noise characters
    .BlackListCharacters = "`~@#$%&*"
}

Dim ocrInput As New OcrInput()
' Load the input image
ocrInput.LoadImage("advanced-input.png")
' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Print the filtered text result to the console
Console.WriteLine(results.Text)

Ausgabe

Die Whitelist-Filterung ist in den Ergebnissen deutlich erkennbar:

• "Plate: ABC-1234" wird zu "P ABC-1234". Das kleingeschriebene Wort "late:" wird weggelassen, während die Kennzeichen-Nummer exakt beibehalten wird.
• "VIN: 1HGBH41JXMN109186" wird zu "VIN 1HGBH41JXMN109186". Der Doppelpunkt wird weggelassen, aber das großgeschriebene VIN und die vollständige Nummer bleiben erhalten.
• "Owner: john.doe@email.com" wird zu "O". Die vollständig in Kleinbuchstaben geschriebene E-Mail-Adresse und die Satzzeichen werden entfernt.
• "Region: CA-90210 | "Zone #5" wird zu "R CA-90210 Z 5". Das Pipe-Zeichen (|) and hash (#) werden entfernt, während Großbuchstaben und Zahlen erhalten bleiben.
• "Gebühr: 125,00 $ + MwSt*" wird zu "F 12500". Das Dollarzeichen, der Dezimalpunkt, das Pluszeichen und das kleingeschriebene "tax" werden entfernt.
• "Ref: ~record_v2^final" wird zu "R 2". Die Tilde (~), der Unterstrich, das Caret (^) und alle Kleinbuchstaben werden entfernt.

Der gleiche Ansatz wie bei WhiteListCharacters und BlackListCharacters funktioniert für jede Art von Dokument, nicht nur für Nummernschilder. Der nächste Abschnitt zeigt, wie ein Reader erweitert werden kann, um Barcodes und Tabellenstrukturen im selben Durchlauf zu erkennen.

Eingabe

single-line-label.png ist ein schmales Versandetikett mit genau einer Zeile fettgedrucktem Courier-Text: SHIPPING LABEL: TRK-2024-XR9-001.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SingleLine
}

Using input As New OcrInput()
    input.LoadImage("single-line-label.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Bei einer gescannten Seite mit unregelmäßiger Textplatzierung stellt SparseText mehr Inhalt wieder her als Auto.

Eingabe

receipt-scan.png ist ein Thermobeleg von Corner Market mit vier Einzelposten (Kaffee, Muffin, Saft, Müsliriegel), einer gestrichelten Trennlinie, Zwischensumme, Steuer und Gesamtsumme. Bei dieser Art von Layout übersieht die Segmentierung in festen Blöcken Einträge an verschiedenen horizontalen Positionen.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SparseText
}

Using input As New OcrInput()
    input.LoadImage("receipt-scan.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Nachdem die Layout-Segmentierung an den Dokumenttyp angepasst wurde, besteht der nächste Schritt darin, das Ausgabeformat für die nachgelagerte Verarbeitung zu steuern.

Eingabe

scanned-document.pdf ist ein einseitiges Geschäftsschreiben von IronOCR Solutions Ltd. (datiert auf den 15. März 2024, Referenz DOC-2024-OCR-0315). Das Ergebnis wird als searchable-output.pdf gespeichert.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

Imports IronTesseract

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderSearchablePdf = True
}

Using input As New OcrInput()
    input.LoadPdf("scanned-document.pdf")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

Ausgabe

Das Ergebnis ist eine PDF-Datei, die identisch mit der Eingabe aussieht, jedoch eine versteckte Textebene enthält. Öffnen Sie searchable-output.pdf und verwenden Sie Strg+F, um zu überprüfen, ob der eingebettete Text durchsuchbar und kopierbar ist.

RenderHocr erzeugt ein hOCR-Dokument, eine HTML-Datei, die den Textinhalt zusammen mit den Koordinaten der Begrenzungsrahmen für jedes WORD kodiert. Dies ist nützlich, wenn nachgelagerte Tools eine präzise Wortpositionierung benötigen, beispielsweise Redaktions-Engines oder Dokumentlayout-Analysen.

Eingabe

document-page.png ist eine Dokumentseite mit der Überschrift "Quartalsübersicht Q1 2024" und zwei Absätzen mit Finanzdaten zu Umsatz, Betriebskosten und Wachstumstreibern. Das Ergebnis wird als output.html gespeichert.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

Imports IronTesseract

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderHocr = True
}

Using input As New OcrInput()
    input.LoadImage("document-page.png")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsHocrFile("output.html")
End Using

Ausgabe

output.html kodiert jedes erkannte WORD mit den Koordinaten seines Begrenzungsrahmens. Öffnen Sie die Datei in einem Browser, um die hOCR-Struktur zu überprüfen, oder leiten Sie sie an ein nachgelagertes Tool zur Layoutanalyse oder Bearbeitung weiter.

Beide Flags können gleichzeitig aktiviert werden, wenn Sie alle drei Ausgabeformate (Klartext, durchsuchbares PDF und hOCR) aus einem einzigen Leseaufruf benötigen.

Diese Ausgabeflags funktionieren unabhängig von der gelesenen Sprache, einschließlich nicht-lateinischer Schriften. Der nächste Abschnitt zeigt, wie man Zeichenfilterung auf japanischen Text anwendet.

Eingabe

Das Dokument enthält einen Titel (テスト), einen japanischen Satz, der Hiragana und Katakana mit Varianten der Stimmzeichen (プ, で) mischt, eine Preiszeile mit auf der Sperrliste stehenden Störsymbolen (★, ■) und Kanji (価格) sowie eine Notizzeile mit einem weiteren Symbol aus der Sperrliste (§), weiteren Kanji (購入), zusätzlichen Varianten der Stimmzeichen (プ, デ) und Basis-Katakana (メモ, ール). Die Whitelist lässt nur Basis-Hiragana, Basis-Katakana, Ziffern und gängige japanische Satzzeichen durch; Die drei Lärmsymbole stehen ausdrücklich auf der Sperrliste.

Die Unicode-Zeichenbereiche für Hiragana und Katakana werden als String-Literale in WhiteListCharacters übergeben, wobei die in BlackListCharacters aufgeführten Symbole als Störsignale dienen.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading-jp.cs

using IronOcr;
using System.IO;

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only Hiragana, Katakana, numbers, and common Japanese punctuation
    WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" +
                            "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" +
                            "0123456789、。？！（）¥ー",

    // Blacklist common noise/symbols you want to ignore
    BlackListCharacters = "★■§",
};

var ocrInput = new OcrInput();

// Load Japanese input image
ocrInput.LoadImage("jp.png");

// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text);

// You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt");

Imports IronOcr
Imports System.IO

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" &
                           "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" &
                           "0123456789、。？！（）¥ー",
    .BlackListCharacters = "★■§"
}

Dim ocrInput As New OcrInput()

' Load Japanese input image
ocrInput.LoadImage("jp.png")

' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text)

' You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt")

Ausgabe

Die vollständige gefilterte Ausgabe ist als Textdatei verfügbar: jp-output.txt.

Da die Whitelist nur Basiszeichen von Hiragana und Katakana enthält, werden abgeleitete Varianten mit Stimmzeichen wie プ (pu) und デ (de) weggelassen. Kanji-Zeichen wie 価格 (Preis) und 購入 (Kauf) sind ebenfalls ausgeschlossen, da sie nicht zum zulässigen Zeichensatz gehören. Symbole auf der Blacklist wie ★, ■ und § werden unabhängig von der Whitelist aktiv entfernt.