Configuración de OCR para Lectura Avanzada

Entrada

El siguiente registro de matriculación de vehículo contiene una mezcla de texto en mayúsculas, texto en minúsculas, símbolos especiales (@, $, #, |, *), y puntuación.

BlackListCharacters complementa la lista blanca al excluir activamente símbolos de ruido conocidos como , and*`.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading.cs

using IronOcr;

// Initialize the Tesseract OCR engine
IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only characters that appear on license plates
    WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",

    // Blacklist common noise characters
    BlackListCharacters = "`~@#$%&*",
};

var ocrInput = new OcrInput();
// Load the input image
ocrInput.LoadImage("advanced-input.png");
// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Print the filtered text result to the console
Console.WriteLine(results.Text);

Imports IronOcr

' Initialize the Tesseract OCR engine
Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    ' Whitelist only characters that appear on license plates
    .WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",
    
    ' Blacklist common noise characters
    .BlackListCharacters = "`~@#$%&*"
}

Dim ocrInput As New OcrInput()
' Load the input image
ocrInput.LoadImage("advanced-input.png")
' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Print the filtered text result to the console
Console.WriteLine(results.Text)

Resultado

El filtrado de la lista blanca es claramente visible en los resultados:

• "Placa: ABC-1234" se convierte en "P ABC-1234". La palabra en minúsculas "late:" se elimina, mientras que el número de placa se conserva exactamente.
• "VIN: 1HGBH41JXMN109186" se convierte en "VIN 1HGBH41JXMN109186". El colon se elimina, pero el VIN en mayúsculas y el número completo se mantienen.
• "Propietario: john.doe@email.com" se convierte en "O". Todo el correo electrónico en minúsculas y la puntuación se eliminan.
• "Región: CA-90210| Zona #5" se convierte en "R CA-90210 Z 5". La tubería (|) and hash (#) son eliminados, mientras que las letras mayúsculas y los números sobreviven.
• "Tasa: $125.00 + impuesto*" se convierte en "F 12500". El signo de dólar, el punto decimal, el signo más y "impuesto" en minúsculas se eliminan.
• "Ref: ~record_v2^final" se convierte en "R 2". La tilde (~), el guion bajo, el acento circunflejo (^) y todos los caracteres en minúscula son eliminados.

El mismo enfoque de WhiteListCharacters y BlackListCharacters funciona para cualquier tipo de documento, no solo para placas de matrícula. La siguiente sección muestra cómo extender una lectura para detectar códigos de barras y estructuras de tablas en la misma pasada.

Entrada

single-line-label.png es una etiqueta de envío estrecha con exactamente una línea de texto en negrita en Courier: SHIPPING LABEL: TRK-2024-XR9-001.

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SingleLine
}

Using input As New OcrInput()
    input.LoadImage("single-line-label.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Para una página escaneada con colocación de texto irregular, SparseText recupera más contenido que Auto.

Entrada

receipt-scan.png es un recibo térmico de Corner Market con cuatro artículos (café, muffin, jugo, barra de granola), un separador de guiones, subtotal, impuestos y total. Este es el tipo de diseño donde la segmentación de bloque fijo omite entradas en diferentes posiciones horizontales.

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronTesseract

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SparseText
}

Using input As New OcrInput()
    input.LoadImage("receipt-scan.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Con la segmentación de diseño ajustada al tipo de documento, el siguiente paso es controlar el formato de salida para el procesamiento posterior.

Entrada

scanned-document.pdf es una carta comercial de una sola página de IronOCR Solutions Ltd. (con fecha 15 de marzo de 2024, referencia DOC-2024-OCR-0315). El resultado se guarda como searchable-output.pdf.

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderSearchablePdf = True
}

Using input As New OcrInput()
    input.LoadPdf("scanned-document.pdf")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

Resultado

La salida es un PDF que parece idéntico a la entrada pero contiene una capa de texto oculta. Abra searchable-output.pdf y use Ctrl+F para verificar que el texto integrado sea buscable y copiable.

RenderHocr produce un documento hOCR, un archivo HTML que codifica el contenido de texto junto con las coordenadas de la caja delimitadora para cada palabra. Esto es útil cuando las herramientas posteriores necesitan una posición precisa de las palabras, por ejemplo, motores de redacción o análisis de diseño de documentos.

Entrada

document-page.png es una página de documento con el título "Resumen Trimestral Q1 2024" y dos párrafos de datos financieros que cubren ingresos, costos operativos y motores de crecimiento. El resultado se guarda como output.html.

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderHocr = True
}

Using input As New OcrInput()
    input.LoadImage("document-page.png")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsHocrFile("output.html")
End Using

Resultado

output.html codifica cada palabra reconocida con sus coordenadas de caja delimitadora. Abra el archivo en un navegador para inspeccionar la estructura de hOCR, o páselo a una herramienta posterior para análisis de diseño o redacción.

Ambos indicadores se pueden habilitar al mismo tiempo si necesita los tres formatos de salida (texto plano, PDF buscable y hOCR) de una sola llamada de lectura.

Estos indicadores de salida funcionan independientemente del idioma que se lee, incluidos los guiones no latinos. La siguiente sección muestra cómo aplicar el filtrado de caracteres a texto en japonés.

Entrada

El documento contiene un título (テスト), una oración japonesa que mezcla hiragana y katakana con variantes de marcas de voz (プ, で), una línea de precio con símbolos de ruido en lista negra (★, ■) y kanji (価格), y una línea de memo con otro símbolo en lista negra (§), más kanji (購入), variantes de marcas de voz adicionales (プ, デ), y katakana base (メモ, ール). La lista blanca solo pasa hiragana base, katakana base, dígitos y puntuación japonesa común; los tres símbolos de ruido están explícitamente en lista negra.

Los rangos de caracteres Unicode para Hiragana y Katakana se pasan como literales de cadena en WhiteListCharacters, con los símbolos de ruido listados en BlackListCharacters.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading-jp.cs

using IronOcr;
using System.IO;

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only Hiragana, Katakana, numbers, and common Japanese punctuation
    WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" +
                            "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" +
                            "0123456789、。？！（）¥ー",

    // Blacklist common noise/symbols you want to ignore
    BlackListCharacters = "★■§",
};

var ocrInput = new OcrInput();

// Load Japanese input image
ocrInput.LoadImage("jp.png");

// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text);

// You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt");

Imports IronOcr
Imports System.IO

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" &
                           "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" &
                           "0123456789、。？！（）¥ー",
    .BlackListCharacters = "★■§"
}

Dim ocrInput As New OcrInput()

' Load Japanese input image
ocrInput.LoadImage("jp.png")

' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text)

' You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt")

Resultado

La salida filtrada completa está disponible como un archivo de texto: jp-output.txt.

Debido a que la lista blanca incluye solo caracteres hiragana y katakana base, las variantes de marcas de voz derivadas como プ (pu) y デ (de) se eliminan. Los caracteres kanji como 価格 (precio) y 購入 (compra) también se excluyen ya que están fuera del conjunto de caracteres en lista blanca. Símbolos en lista negra como ★, ■ y § son eliminados activamente sin importar la lista blanca.