Optische Zeichenerkennung (OCR) ist heute eine entscheidende Technologie für die Dokumentenverarbeitung, insbesondere für Rechnungen. Sie hat sich erheblich weiterentwickelt und beeinflusst verschiedene Sektoren, vom Bildungsbereich bis zur Industrie. OCR-Software reduziert den Bedarf an manueller Dateneingabe, und Entwickler können zahlreiche Arten von Invoice OCR-APIs nutzen, um Softwareanwendungen zur Rechnungsverarbeitung zu erstellen.

In diesem Artikel erkunden wir drei Open-Source C# Invoice OCR Software und Bibliotheken. Wir werden auch über IronOCR sprechen, eine Premium-Option für Entwickler, die erweiterte OCR-Funktionen in C#-Projekten suchen.

Tesseract OCR

Tesseract OCR, ursprünglich von Hewlett Packard entwickelt und jetzt von Google gepflegt, ist eine leistungsstarke Open-Source-OCR-Engine. Sie ist in der Lage, verschiedene Dokumenttypen zu bearbeiten und in verwertbare Daten umzuwandeln. Mit Unterstützung für mehrere Sprachen ist es eine wertvolle Ressource für globale Unternehmen.

C# Entwickler finden Tesseract OCR besonders nützlich aufgrund seiner Vielseitigkeit und Genauigkeit bei der Datenextraktion. Durch die Integration von Tesseract in Softwareanwendungen können Entwickler effizient Rechnungen verarbeiten und relevante Informationen wie Bestellnummern und Steuerbeträge extrahieren. Die extrahierten Daten können dann zur Identifikation von Rechnungsnummern und Artikeln aus PDF-Rechnungen verwendet werden.

Capabilities and Features of Tesseract OCR in C#

Integration in .NET -Anwendungen: Die Integration von Tesseract OCR in C#-Projekte erfordert die Verwendung des Tesseract .NET SDK oder eines Wrappers. Dies bietet eine effiziente Möglichkeit, OCR-Funktionen zu integrieren, während man innerhalb der vertrauten .NET-Umgebung arbeitet.

Texterkennung: Tesseract OCR zeichnet sich durch die Erkennung und Extraktion von Text aus verschiedenen Bildformaten aus. Es ist geschickt in der Verarbeitung einer Reihe von Dokumenttypen, von gescannten Dokumenten und PDF-Dateien bis hin zu Bildern in schwierigen Lichtverhältnissen oder Winkeln.

Unterstützung mehrerer Sprachen: Tesseract unterstützt über 100 Sprachen und ist damit unglaublich vielseitig für globale Anwendungen, die Texte aus verschiedenen sprachlichen Quellen verarbeiten.

Anpassung und Training: Tesseract ermöglicht es Entwicklern, die Engine mit neuen Schriftarten und Sprachen zu trainieren und bietet so maßgeschneiderte OCR-Lösungen, die auf spezifische Geschäftsanforderungen oder Dokumenttypen zugeschnitten sind.

Emgu CV

Emgu CV C# ist ein .NET-Wrapper für die OpenCV-Bibliothek, der es Entwicklern ermöglicht, die Funktionalitäten von OpenCV in C#-Projekten einfach zu nutzen. Es bietet ein reichhaltiges Toolkit für Bildverarbeitung und Computer Vision, das sich als nützlich erweist, um Rechnungen zu verarbeiten und strukturierte Daten zu extrahieren.

Emgu CV verwendet die Tesseract OCR-Engine, um Text aus Bildern und Dokumenten zu extrahieren, ein entscheidender Schritt für eine genaue Datenextraktion aus Rechnungen. Die primär verwendete Methode ist Tesseract.Recognize(), die den Bildtext in bearbeitbare und durchsuchbare Daten umwandelt.

Vorteile von Emgu CV

Plattformübergreifend: Emgu CV funktioniert auf jeder Plattform, die .NET unterstützt, einschließlich iOS, Android, Mac OS, Linux und Windows.

Sprachübergreifend: Neben C# ist Emgu CV in mehreren Sprachen verfügbar, darunter VB .NET, C++ und IronPython, mit umfangreichem Beispielcode und solider Dokumentationsunterstützung.

At9T

At9T, auch bekannt als (a9t9), bietet eine kostenlose OCR-Softwareanwendung, die Daten aus PDFs und Bildern mit einer benutzerfreundlichen grafischen Oberfläche extrahiert. Vollständig in C# geschrieben, bietet es eine einfache Möglichkeit, PDFs in durchsuchbare Dokumente zu konvertieren.

Die intuitive GUI erweitert ihren Reiz über Entwickler hinaus auf Benutzer, die nach einfachen Lösungen mit einem Klick suchen. Geeignet sowohl für den persönlichen als auch den beruflichen Gebrauch, es erledigt effizient verschiedene OCR-Aufgaben. Benutzer können PDF-Rechnungen hochladen und Daten wie Rechnungsdaten, Positionen und Summen mit einem einfachen Tastendruck extrahieren.

Merkmale von At9T

Benutzerfreundliche Oberfläche: Die Oberfläche ist auf einfache Bedienbarkeit ausgelegt, sodass sich auch Personen ohne Vorkenntnisse problemlos zurechtfinden.

Mehrsprachige Unterstützung: Unterstützt verschiedene Sprachen, darunter Englisch, Niederländisch, Japanisch, Koreanisch und weitere.

Stapelverarbeitung: Kann mehrere Dateien gleichzeitig verarbeiten und spart so Zeit beim Extrahieren von Daten aus zahlreichen Dokumenten.

Einführung von IronOCR: Eine fortschrittliche OCR-Lösung

Wie besprochen, können Open-Source-Optionen wie Tesseract und Emgu CV ohne zusätzliche Komponenten wie Wrapper oder Vorwissen über OpenCV herausfordernd zu integrieren sein. Zudem ist At9T möglicherweise nicht für komplexe Dokumente geeignet.

Um diese Herausforderungen zu überwinden, bietet IronOCR eine fortschrittliche Alternative. Als .NET-Bibliothek erweitert es die Fähigkeiten der Tesseract 5 Engine mit zusätzlichen Funktionen und ist leicht in .NET-Projekte zu integrieren.

IronOCR unterstützt verschiedene Dokumentenformate, einschließlich PDFs, PNG, JPG, BMP, etc. Es funktioniert auf vielen .NET-Frameworks und Plattformen, einschließlich Windows und macOS, und unterstützt OCR in über 125 Sprachen, was es zu einem globalen OCR-Produkt macht. Es nutzt maschinelles Lernen für überlegene Texterkennung.

Wichtige Merkmale von IronOCR

Eingabeflexibilität: Handhabt verschiedene Formate wie Bilder (JPG, PNG, BMP), Multi-Page/Frame-Dateien (TIFF, GIF), System.Drawing-Objekte, Streams und PDFs mit optimierter DPI.

Erweiterte Filter: Bietet Filter zur Bildkorrektur (Schärfen, Auflösungsverbesserung, etc.) und Farbkorrektur, um vor der OCR optimale Qualität zu gewährleisten.

Regionenauswahl: Ermöglicht die Auswahl bestimmter Dokumentbereiche für die OCR mit CropRectangle.

Datenoutput: Liefert Datenoutput als .NET-Textstrings, Barcodes, QR-Daten und Bilder.

Strukturierte Daten: Gibt strukturierte Daten nach Seiten, Blöcken, Absätzen, Zeilen, Worten und Zeichen aus.

Dokumentenexport: Ermöglicht den Export als durchsuchbare PDFs, HTML oder Bilder.

Textmarkierung & Speicherung: Funktionen zum Markieren und Speichern von Text in verschiedenen Granularitäten.

Sprachen & Frameworks: Unterstützt C#, VB.NET, F#, und ist kompatibel mit verschiedenen .NET-Frameworks.

Betriebssysteme: Kompatibel mit Windows, macOS, Linux, Docker, Azure und AWS.

IDE-Unterstützung: Vollständig unterstützt auf Microsoft Visual Studio und JetBrains ReSharper & Rider.

Beispiel

Unten ist ein Beispielcode-Snippet, um Daten aus einer Rechnung mit IronOCR zu extrahieren:

// Create an instance of IronTesseract
var tesseract = new IronTesseract();

// Create an OcrInput object
using (var input = new OcrInput("sample_invoice.png")) // Pass the image path directly to constructor
{
    // Read and store OcrResults object
    var result = tesseract.Read(input);

    // Get all text from the OCR result
    string allText = result.Text;

    // Print the extracted text to the console
    Console.WriteLine(allText);
}

// Create an instance of IronTesseract
var tesseract = new IronTesseract();

// Create an OcrInput object
using (var input = new OcrInput("sample_invoice.png")) // Pass the image path directly to constructor
{
    // Read and store OcrResults object
    var result = tesseract.Read(input);

    // Get all text from the OCR result
    string allText = result.Text;

    // Print the extracted text to the console
    Console.WriteLine(allText);
}

' Create an instance of IronTesseract
Dim tesseract = New IronTesseract()

' Create an OcrInput object
Using input = New OcrInput("sample_invoice.png") ' Pass the image path directly to constructor
	' Read and store OcrResults object
	Dim result = tesseract.Read(input)

	' Get all text from the OCR result
	Dim allText As String = result.Text

	' Print the extracted text to the console
	Console.WriteLine(allText)
End Using

' Create an instance of IronTesseract
Dim tesseract = New IronTesseract()

' Create an OcrInput object
Using input = New OcrInput("sample_invoice.png") ' Pass the image path directly to constructor
	' Read and store OcrResults object
	Dim result = tesseract.Read(input)

	' Get all text from the OCR result
	Dim allText As String = result.Text

	' Print the extracted text to the console
	Console.WriteLine(allText)
End Using

Die extrahierten Ausgabedaten aus dem Rechnungsbild sind unten gezeigt:

Nachfolgende Datenanalysen können diese erkannten Daten in Formate wie CSVs umwandeln, um eine einfachere Handhabung zu ermöglichen.

Abschluss

Zusammenfassend existieren bei der Implementierung von OCR-Technologie, um Text aus Bildern oder Dokumenten zu extrahieren, mehrere Optionen. Tesseract OCR, Emgu CV und At9T sind brauchbare Open-Source-Tools, die jeweils unterschiedliche Vorteile bieten.

Für Anforderungen, die eine höhere Komplexität erfordern, insbesondere bei der Rechnungs-OCR , bietet IronOCR eine robuste Lösung mit Lizenzoptionen ab $999.

Ob ein Programmierer, der Texterkennungsfähigkeiten zu einem Projekt hinzufügen möchte, oder ein Unternehmen, das ein verbessertes Dokumentenmanagement anstrebt, die Wahl des Tools sollte den spezifischen Bedürfnissen entsprechen—unter Berücksichtigung sowohl kostenfreier Optionen als auch fortgeschrittener Lösungen wie IronOCR.