Configuración detallada de Tesseract

VB C#

using IronOcr;
using System;

var ocrTesseract = new IronTesseract()
{
    Language = OcrLanguage.EnglishBest,
    Configuration = new TesseractConfiguration()
    {
        ReadBarCodes = false,
        RenderHocr = true,
        BlackListCharacters = "`ë|^",
        PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
    }
};

using var ocrInput = new OcrInput();
ocrInput.LoadImage(@"images\image.png");
var ocrResult = ocrTesseract.Read(ocrInput);
Console.WriteLine(ocrResult.Text);

Imports IronOcr
Imports System

Private ocrTesseract = New IronTesseract() With {
	.Language = OcrLanguage.EnglishBest,
	.Configuration = New TesseractConfiguration() With {
		.ReadBarCodes = False,
		.RenderHocr = True,
		.BlackListCharacters = "`ë|^",
		.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd
	}
}

Private ocrInput = New OcrInput()
ocrInput.LoadImage("images\image.png")
Dim ocrResult = ocrTesseract.Read(ocrInput)
Console.WriteLine(ocrResult.Text)

Install-Package IronOcr

Configuración detallada de Tesseract

Cuando se trata de OCR, tener opciones y flexibilidad sobre cómo abordar y extraer texto de documentos es esencial. Dado que realizar OCR es costoso, poder controlar el rendimiento y los métodos a utilizar en documentos específicos es necesario para asegurar que la aplicación que utiliza OCR sea escalable y eficiente.

IronTesseract ofrece a los desarrolladores diferentes propiedades y opciones con las cuales experimentar. Por ejemplo, si se quisiera excluir ciertos caracteres o también leer los códigos de barras dentro de los documentos, o incluso dictar cómo el motor de OCR lee la página para escanear posibles bloques de texto, todo eso y más con la clase IronTesseract.

Guía de 5 pasos para usar IronOCR con Tesseract 5

var ocrTesseract = new IronTesseract();
ocrTesseract.Language = OcrLanguage.EnglishBest;
ocrTesseract.Configuration.ReadBarCodes = false;
ocrTesseract.Configuration.BlackListCharacters = "`ë|^";
ocrTesseract.Configuration.TesseractVariables["tessedit_parallelize"] = false;

Después de iniciar la clase IronTesseract, hay algunas opciones importantes disponibles de inmediato que querríamos modificar. La primera propiedad a configurar es el Language. Por defecto, el idioma es inglés; sin embargo, IronTesseract soporta hasta 125 idiomas e incluso permite múltiples idiomas con el método UseMultipleLanguages. Para más detalles, consulte aquí.

La segunda propiedad que queremos configurar es la clase TesseractConfiguration. Con esta clase, podemos modificar cómo el motor de Tesseract escanea el documento en busca de posibles bloques de texto.

En primer lugar, modificamos el idioma del Motor Tesseract asignando el idioma a OcrLanguage.EnglishBest. Esta variación combina un LSTM y un OEM, que son estrategias de reconocimiento de formas usando OCR; la combinación de estas dos estrategias permite que el OCR produzca resultados más precisos.
Después, configuramos el ReadBarCodes en falso para evitar la lectura de códigos de barras durante el proceso de OCR.

También personalizamos y especificamos los caracteres que queremos extraer, excluyendo ciertos caracteres en el documento; en este ejemplo, excluimos caracteres para evitar extraer texto con acentos invertidos, acentos o circunflejos. Finalmente, configuramos el TesseractVariables["tessedit_parallelize"] en falso para deshabilitar el procesamiento paralelo por el momento. Este último es una característica realmente poderosa, ya que se comunica directamente con el Motor de Tesseract. Aquí hay una lista completa de TesseractVariables que permite a los desarrolladores personalizar aún más el comportamiento del Motor de Tesseract al realizar OCR.

Explorar más opciones de configuración de IronTesseract