OCR C# de código abierto (Lista para desarrolladores)

Teseracto

El motor de OCR de código abierto más famoso se llama Tesseract y fue creado inicialmente por Hewlett-Packard. Desde 2006, Google ha estado apoyando este proyecto de software libre, que se publica bajo la licencia Apache.

Uno de los sistemas libres y de código abierto más precisos disponibles es el motor de OCR Tesseract. Tesseract ahora admite 116 idiomas con su versión estable más reciente, la 4.1.1, basada en LSTM.

Tesseract requiere apoyo de una GUI (interfaz gráfica de usuario) separada cuando se ejecuta desde una interfaz de línea de comandos porque no tiene su propia interfaz incorporada. Puede aprender nueva información usando sus redes neuronales y tiene una avanzada línea de procesamiento de imágenes. La forma más efectiva de agregar capacidades de OCR a tu aplicación .NET es el Tesseract .NET SDK, que es una de las mejores soluciones para proporcionar capacidades de reconocimiento de texto. Aunque Tesseract es indudablemente la mejor biblioteca de OCR en el mercado actualmente.

GOCR

El programa de OCR (Reconocimiento Óptico de Caracteres) conocido como GOCR fue creado bajo la Licencia Pública GNU. Transforma archivos de texto de nuevo en imágenes escaneadas de documentos. Después de iniciar el programa y gestionar el equipo de desarrollo en SF, Joerg Schulenburg sigue manejando el paquete hoy en día con una base de tiempo (muy) baja.

Dado que GOCR puede usarse con varios front-ends, es relativamente sencillo trasladarlo a otros sistemas operativos, aplicaciones de red y arquitecturas. Puede leer una amplia gama de tipos de archivos de imagen, y hasta 2010, su calidad mejoró consistentemente.

Según GOCR, puede manejar fuentes sans-serif de una columna con una altura de 20 a 60 píxeles. Informa dificultades con texto escrito en alfabetos distintos al latín, fuentes serif, letras superpuestas, diversos tipos de letra, fotos con ruido y ángulos excesivos de inclinación. GOCR también es capaz de traducir códigos de barras.

Cuneiforme

CuneiForm, una tecnología libre y de código abierto, ahora también se conoce como 'Cognitive OpenOCR'. Tiene salida integrada y una base de datos. Cubre 23 idiomas diferentes y también realiza tareas como escaneo de formato de texto, análisis de diseño de documentos e identificación.

Cognitive Technologies desarrolló las licencias para OpenOCR, que son freeware y BSD. Si bien admite el uso multiplataforma, los usuarios de Linux no tienen una interfaz gráfica.

Para simplificar el trabajo de reconocimiento de caracteres en cualquier aplicación Dot NET Framework 2.0 o posterior, se utiliza la biblioteca wrapper Puma Dot NET. Realiza una verificación de diccionario mientras procesa datos para mejorar la calidad del reconocimiento.

CuneiForm es una tecnología diseñada para convertir automáticamente o semiautomáticamente copias electrónicas de documentos en papel y archivos de imagen en un formato editable sin afectar la estructura y las fuentes originales del documento. El sistema consta de dos partes para procesar documentos electrónicos en lotes y un documento a la vez. Además, el sistema admite una combinación de ruso e inglés. Solo la rama creada por Andrei Borovsky en 2009 admite el reconocimiento de otros idiomas híbridos. Enseñar al sistema a reconocer otros idiomas es complicado, ya que cada idioma está asociado con un archivo dat, cuya estructura y proceso de creación no son revelados por los desarrolladores.

Kraken

Kraken fue desarrollado para abordar los problemas con Ocropus sin afectar sus otras características. Utiliza su biblioteca de redes neuronales CLSTM y aprovecha la valiosa experiencia adquirida de proyectos anteriores con nuevos datos. Requiere el uso de ciertas bibliotecas externas para funcionar eficazmente en diferentes plataformas. Con la ayuda de la información almacenada, puede hacer predicciones más precisas sobre posibles problemas de validación de datos. Además, su metodología de trabajo facilita el despliegue y entrenamiento sencillo de nuevos modelos.

IronOCR

A diferencia de la biblioteca estándar de Tesseract, IronOCR amplía Tesseract y proporciona una biblioteca nativa de OCR en C# con mayor precisión, mejor rendimiento y estabilidad mejorada. IronOCR se puede utilizar en programas y sitios web .NET para extraer texto de PDFs e imágenes. Admite una amplia gama de idiomas extranjeros y puede generar salida de texto simple o datos estructurados. Es capaz de escanear códigos de barras e imágenes con texto incrustado. La biblioteca se puede utilizar en aplicaciones desarrolladas en .NET para consola, web, MVC y escritorio. El equipo de desarrollo ofrece asistencia directa con el proceso de licencia para implementaciones comerciales. IronOCR es compatible con las versiones más recientes de Visual Studio.

using IronOcr;

// Instantiate an IronTesseract object to utilize its OCR capabilities
var Ocr = new IronTesseract();

// Set the language to English for better accuracy
Ocr.Language = OcrLanguage.EnglishBest;

// Optionally specify the Tesseract version to ensure compatibility
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create an OcrInput object to add images for OCR processing
using (var Input = new OcrInput())
{
    // Add the image to be processed; specify the image's path
    Input.AddImage(@"Demo.png");

    // Perform the OCR and store the result
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);

    // Pause the console to keep it open
    Console.ReadKey();
}

using IronOcr;

// Instantiate an IronTesseract object to utilize its OCR capabilities
var Ocr = new IronTesseract();

// Set the language to English for better accuracy
Ocr.Language = OcrLanguage.EnglishBest;

// Optionally specify the Tesseract version to ensure compatibility
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create an OcrInput object to add images for OCR processing
using (var Input = new OcrInput())
{
    // Add the image to be processed; specify the image's path
    Input.AddImage(@"Demo.png");

    // Perform the OCR and store the result
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);

    // Pause the console to keep it open
    Console.ReadKey();
}

Imports IronOcr

' Instantiate an IronTesseract object to utilize its OCR capabilities
Private Ocr = New IronTesseract()

' Set the language to English for better accuracy
Ocr.Language = OcrLanguage.EnglishBest

' Optionally specify the Tesseract version to ensure compatibility
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5

' Create an OcrInput object to add images for OCR processing
Using Input = New OcrInput()
	' Add the image to be processed; specify the image's path
	Input.AddImage("Demo.png")

	' Perform the OCR and store the result
	Dim Result = Ocr.Read(Input)

	' Output the extracted text to the console
	Console.WriteLine(Result.Text)

	' Pause the console to keep it open
	Console.ReadKey()
End Using

Conclusión

Las herramientas de OCR de código abierto nos permiten crear nuestros propios programas usando su código fuente. Sin embargo, algunas herramientas no tienen una biblioteca oficial o un equipo dedicado para proporcionar soporte en caso de problemas de codificación. La documentación de Tesseract también carece de código de muestra o tutoriales para escenarios de uso comunes, lo que dificulta que los principiantes entiendan el código y las bibliotecas.

IronOCR admite varios proyectos .NET como .NET Framework Standard 2, .NET Framework 4.5, y .NET Core 2, 3 y 5. También funciona con tecnologías más nuevas como Mono, Xamarin y Azure. Al aprovechar las tecnologías de IronOCR, podemos mejorar los resultados de Tesseract y corregir documentos o imágenes escaneados incorrectamente. El complejo sistema de diccionario de Tesseract se gestiona a través del Paquete NuGet. Utilizamos la Librería Iron OCR para desarrollar una herramienta de OCR.

Con IronOCR, podemos usar el programa sin ninguna configuración adicional, y admite archivos PDF, TIFF de múltiples fotogramas y todos los formatos de imagen comunes. También ofrece capacidades de reconocimiento de códigos de barras, lo que nos permite extraer datos de código de barras y leer valores de códigos de barras de imágenes. IronOCR proporciona una edición de desarrollo rentable con una prueba gratuita, y la licencia de por vida está incluida en el paquete de IronOCR sin costo adicional. El paquete de IronOCR proporciona cobertura para múltiples plataformas con un solo pago. Para más información sobre los precios de IronOCR, consulta esta página.