Tesseract OCR para múltiples idiomas (Tutorial para desarrolladores)

Cómo utilizar Tesseract OCR con varios idiomas

1. Primero, instala el paquete NuGet IronOCR/Tesseract dentro de tu proyecto .NET.
2. Crea una instancia de la clase IronTesseract, que inicializará el motor OCR.
3. La propiedad de idioma soporta más de un idioma.
4. Especifica la ruta del archivo de imagen que deseas procesar, luego crea un objeto OcrInput.
5. Ahora, realiza OCR en la imagen de entrada usando la función Read de la instancia de IronTesseract.
6. Toma el resultado y muestra el texto reconocido.

¿Qué es Tesseract ?

Tesseract es un motor de Reconocimiento Óptico de Caracteres abierto desarrollado por Hewlett-Packard y luego mantenido por Google. Es famoso por su alta precisión y adaptabilidad, convirtiéndolo en uno de los OCR más destacados. Tesseract soporta detección de escritura, reconoce texto en muchos idiomas, y puede manejar múltiples idiomas; por lo tanto, generalmente se usa para proyectos que requieren documentos multilingües y soporte.

El motor OCR de Tesseract trabaja sobre la información contenida en cualquier píxel individual de la imagen, siguiendo patrones que representan caracteres, palabras y oraciones que finalmente se convierten en texto legible por máquina. Los muchos tipos de archivos de imagen que soporta, como TIFF, JPEG, y PNG, permiten que Tesseract produzca texto en formatos como texto plano, HTML y PDF buscable.

Una de las ventajas significativas de Tesseract es que puede ser entrenado para ser sensible a fuentes particulares o nuevos idiomas añadidos. También es frecuentemente usado en varias aplicaciones, que van desde extracción de texto simple hasta tareas complejas en la digitalización de documentos históricos, procesamiento de facturas, o incluso software de accesibilidad que permite leer para personas con discapacidad visual.

Crear un nuevo proyecto en Visual Studio

Abre el programa Visual Studio. Al abrir el programa, procede al "menú archivo". Bajo el "menú archivo", está la opción "nuevo proyecto." Bajo "nuevo proyecto", haz clic en "Aplicación de Consola." En este post, crearemos documentos PDF usando un programa de consola.

Ingresa el nombre de tu proyecto y la ubicación del archivo en los cuadros de texto provistos. Luego, como se muestra en la imagen abajo, haz clic en el botón Crear y selecciona cuál .NET Framework necesitas.

Ahora que se ha seleccionado la versión de la aplicación, el proyecto de Visual Studio creará su estructura. Si has elegido las versiones de consola, Windows, o web, abrirá el archivo program.cs para agregar código y construir/ejecutar la aplicación.

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

¿Qué es IronOCR ?

IronOCR es una biblioteca exclusiva de OCR enfocada en .NET. Añade capacidades de OCR a aplicaciones .NET y permite la extracción de texto de imágenes, documentos escaneados, PDFs, y cualquier otro medio visual. Conduciendo el reconocimiento de texto de última generación con el extremadamente exitoso motor Tesseract, IronOCR también incluye varias características adicionales que lo hacen adecuado para su uso en aplicaciones empresariales.

IronOCR ofrece un tremendo soporte de idiomas: más de 120 idiomas con soporte para la detección automática de idiomas y procesamiento de documentos que contienen múltiples idiomas simultáneamente. Esto hace que IronOCR sea muy versátil y desplegable globalmente, donde el procesamiento de documentos multilingües es crucial.

Por otro lado, IronOCR enfatiza la simplicidad en el uso e integración. Su API extremadamente fácil de usar está complementada por documentación detallada y un conjunto de proyectos de ejemplo que ayudarán a cualquier desarrollador a comenzar rápidamente. Soporta un amplio array de formatos de imagen y documentos PDF. Las características avanzadas de preprocesamiento de imagen, reducción de ruido y corrección de errores integradas mejoran la precisión y el rendimiento del OCR.

Instalar IronOCR

Puedes instalar los paquetes directamente en tu solución usando la herramienta de gestión de Paquetes NuGet de Visual Studio. La siguiente captura de pantalla muestra cómo abrir el Administrador de Paquetes NuGet.

Tiene un cuadro de búsqueda incrustado, que muestra una lista de paquetes del sitio web de NuGet. Como se ve en la captura de pantalla a continuación, buscaremos en el administrador de paquetes la frase IronOCR:

Los resultados de búsqueda podrían ofrecer una lista de posibles soluciones. Necesitarás seleccionar el paquete de solución necesario para instalar.

También, Instala los paquetes de idioma de Tesseract necesarios uno por uno, como el de abajo para este ejemplo.

En este ejemplo, utilizaremos códigos de idioma en español, francés e inglés. El inglés es el paquete de idioma predeterminado y no requiere instalación.

Instala el español desde el paquete NuGet.

Lea varios idiomas con IronOCR y el motor Tesseract

El siguiente ejemplo demuestra cómo reconocer texto en múltiples idiomas desde una imagen usando C# y los motores IronOCR y Tesseract.

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

El programa C# anterior usa la biblioteca IronOCR para realizar el Reconocimiento Óptico de Caracteres en una imagen que contiene caracteres en inglés, español y francés. El programa comienza importando el espacio de nombres requerido para IronOCR y declarando una clase llamada Program con un método Main, que es el punto de entrada de la aplicación.

En el método Main, se instancia una instancia de la clase IronTesseract y se asigna a la variable Ocr. La propiedad Language se establece para incluir inglés, español y francés combinando OcrLanguage.English, OcrLanguage.Spanish y OcrLanguage.French. Esto asegura que el motor OCR pueda reconocer y procesar texto en cualquiera de estos tres idiomas.

La ruta al archivo de imagen de entrada se establece usando la variable inputFile. La imagen se carga luego dentro de una declaración using con una instancia de la clase OcrInput para una adecuada gestión y eliminación de recursos. Finalmente, se llama al método Read de la instancia de IronTesseract con el objeto de entrada para realizar OCR en la imagen.

El texto reconocido se imprime luego a la consola usando el método Console.WriteLine. Este programa ilustra un método eficaz para usar la capacidad multilingüe de IronOCR para extraer texto de imágenes que contienen palabras en diferentes idiomas.

Conclusión

Mientras que tanto Tesseract como IronOCR son tecnologías de OCR robustas, cada una tiene capacidades y fortalezas únicas. Tesseract, siendo de código abierto, es confiable para cualquiera que busque una solución gratuita y tiene comunidades activas y mejora continua.

En contraste, IronOCR es una biblioteca propietaria para el .NET Framework, ofreciendo una mejor experiencia de usuario con integración más fácil y soporte para la mayoría de los tipos de archivos de imagen. También funciona bien en reconocimiento de texto, particularmente con contenido de imagen de baja calidad. IronOCR admite plenamente muchos idiomas y tiene características adicionales que lo hacen más fácil de usar.

IronOCR ofrece una edición de desarrollo rentable y cuando se compra, proporciona una licencia de por vida. El paquete IronOCR comienza a partir de $liteLicense como un costo único para múltiples sistemas, ofreciendo un excelente valor por dinero y soporte de ingenieros en línea 24/7 para usuarios con licencia. Para obtener más información, consulta el sitio web de IronOCR.