Cómo realizar OCR en subtítulos en C# (Tutorial)

IronOCR

IronOCR es una biblioteca desarrollada y mantenida por Iron Software que ayuda a los ingenieros de software C# a realizar OCR, escaneo de códigos de barras y extracción de texto en proyectos .NET.

Las características de IronOCR incluyen:

• Lectura de texto de muchos formatos como imágenes (JPEG, PNG, BMP), GIF, TIF/TIFF, Streams, y PDFs
• Corrección de escanes y fotos de baja calidad con una gran cantidad de filtros como Desinclinar, Reducir ruido, Binarizar, Mejorar resolución, Dilatar, y muchos más
• Lectura de códigos de barras de más de 20 formatos diferentes, junto con soporte para códigos QR
• Utilizando la última versión de Tesseract OCR, con su rendimiento ajustado por encima y más allá de otras bibliotecas de su clase
• Exportación de PDFs buscables, exportación hOCR / HTML, y texto de contenido de imagen.

Desarrollemos una aplicación de demostración para leer números de matrículas.

Crear un proyecto de Visual Studio

El primer paso es crear un nuevo proyecto.

Abre Visual Studio. Haz clic en Crear nuevo proyecto y selecciona la plantilla de proyecto de aplicación de consola.

Haz clic en el botón Siguiente y nombra el proyecto (lo he llamado "OCR Subtitles", puedes nombrarlo como prefieras).

Haz clic en el botón Siguiente y selecciona tu Framework objetivo. Finalmente, haz clic en el botón Crear para crear el proyecto.

El proyecto se creará como se muestra a continuación.

Creando un nuevo proyecto en Visual Studio

Ahora, necesitamos instalar la biblioteca IronOCR para usarla en nuestro proyecto. La forma más fácil es instalarla a través del Administrador de paquetes NuGet para la solución.

Instalar el paquete NuGet de IronOCR

Haz clic en Herramientas desde la barra de menú superior y selecciona Administrador de paquetes NuGet > Administrar paquetes NuGet para la solución, como se muestra a continuación.

Instalando IronOCR dentro de Visual Studio

Aparecerá la siguiente ventana.

Interfaz de NuGet en Visual Studio

Haz clic en buscar y busca IronOCR. Selecciona el paquete IronOCR y haz clic en el botón Instalar, como se muestra a continuación.

Buscando IronOCR en la interfaz de usuario del Administrador de paquetes NuGet

La Biblioteca IronOCR se instalará y estará lista para usarse.

Extraer subtítulos codificados

Escribamos un programa para extraer subtítulos duros.

Vamos a usar la siguiente captura de pantalla para extraer subtítulos.

Captura de pantalla de video de muestra de la cual se extraerá el texto

Añade el siguiente espacio de nombres:

using IronOcr;

using IronOcr;

Escribe el siguiente código debajo de la declaración del espacio de nombres.

// Initialize IronTesseract object
var ocr = new IronTesseract();
// Create an OCR Input using the specified image path
using (var input = new OcrInput(@"D:\License Plate\plate3.jpg"))
{
    // Perform OCR on the input image to extract text
    var result = ocr.Read(input);
    // Output the extracted text to the console
    Console.WriteLine(result.Text);
}

// Initialize IronTesseract object
var ocr = new IronTesseract();
// Create an OCR Input using the specified image path
using (var input = new OcrInput(@"D:\License Plate\plate3.jpg"))
{
    // Perform OCR on the input image to extract text
    var result = ocr.Read(input);
    // Output the extracted text to the console
    Console.WriteLine(result.Text);
}

El código anterior funciona así:

1. Inicializar un objeto IronTesseract. Creará una instancia predeterminada de IronTesseract.
2. Crear un nuevo objeto OcrInput populado con un archivo de imagen de entrada o documento PDF. OcrInput es el tipo de entrada preferido porque permite la OCR de documentos de varias páginas, y permite mejorar las imágenes antes de la OCR para obtener resultados más rápidos y precisos.
3. Leer un texto de un objeto de entrada de OCR y devolver un objeto de resultado de OCR. ocr.Read extraerá subtítulos de la captura de pantalla de entrada dada.
4. result.Text devolverá todo el contenido extraído de la entrada dada.

El programa de muestra produce el siguiente resultado en la consola:

Salida de consola generada al realizar extracción de texto en la imagen de muestra usando IronOCR

Supongamos que tienes un fotograma de video que contiene tanto el título del video como los subtítulos:

Un solo fotograma de un video más largo que contiene regiones de texto para el título del video y los subtítulos del video

Nuestro objetivo es extraer los subtítulos duros de la región inferior de la imagen. En este caso, necesitamos especificar la región de texto en la que se muestra el subtítulo.

Especificar la ubicación de los subtítulos en el marco

Podemos usar un System.Drawing.Rectangle para especificar una región en la que leeremos un subtítulo del fotograma del video. La unidad de medida siempre es píxeles.

Usaremos el siguiente código de muestra para especificar la región de texto.

// Initialize IronTesseract object
var ocr = new IronTesseract();
// Create an OCR Input and specify the region of interest
using (var input = new OcrInput())
{
    // Define the area within the image where subtitles are located for a 41% improvement on speed
    var contentArea = new CropRectangle(x: 189, y: 272, height: 252, width: 77);
    // Add the specific region of the image to the OCR input
    input.AddImage(@"D:\subtitle\image.png", contentArea);
    // Perform OCR on the specified region
    var result = ocr.Read(input);
    // Output the extracted text to the console
    Console.WriteLine(result.Text);
}

// Initialize IronTesseract object
var ocr = new IronTesseract();
// Create an OCR Input and specify the region of interest
using (var input = new OcrInput())
{
    // Define the area within the image where subtitles are located for a 41% improvement on speed
    var contentArea = new CropRectangle(x: 189, y: 272, height: 252, width: 77);
    // Add the specific region of the image to the OCR input
    input.AddImage(@"D:\subtitle\image.png", contentArea);
    // Perform OCR on the specified region
    var result = ocr.Read(input);
    // Output the extracted text to the console
    Console.WriteLine(result.Text);
}

Esto proporciona un aumento del 41% en la velocidad - y nos permite ser específicos. En contentArea, hemos especificado el punto de inicio en x e y, y luego la altura y ancho de la región de subtítulos requerida.

Guardar subtítulos en un archivo de texto de subtítulos

Guardemos los subtítulos extraídos en un archivo de texto.

// Initialize IronTesseract object
var ocr = new IronTesseract();
// Create an OCR Input with the specified image path
using (var input = new OcrInput(@"D:\subtitle\subtitle1.png"))
{
    // Perform OCR on the input image to extract text
    var result = ocr.Read(input);
    // Save the extracted text to a specified file path
    result.SaveAsTextFile(@"D:\subtitle\subtitlefile.txt");
}

// Initialize IronTesseract object
var ocr = new IronTesseract();
// Create an OCR Input with the specified image path
using (var input = new OcrInput(@"D:\subtitle\subtitle1.png"))
{
    // Perform OCR on the input image to extract text
    var result = ocr.Read(input);
    // Save the extracted text to a specified file path
    result.SaveAsTextFile(@"D:\subtitle\subtitlefile.txt");
}

result.SaveAsTextFile tomará la ruta de salida como argumento y guardará el archivo en la ruta dada.

Un solo fotograma de un video más largo que contiene regiones de texto para el título del video y los subtítulos del video