Comparaison entre IronOCR et AWS Textract OCR

Les deux principaux types d'algorithmes OCR pour la reconnaissance de texte sont la correspondance de motifs et l'extraction de caractéristiques.

Correspondance de motifs

Une image de caractère, ou glyphe, est isolée tout au long du processus de correspondance de motifs et comparée à un glyphe enregistré précédemment.

Extraction de fonctionnalités

Grâce au processus d'extraction de caractéristiques, les glyphes sont divisés en caractéristiques telles que les lignes, les boucles fermées, la direction des lignes et les jonctions de lignes.

IronOCR est une bibliothèque C# .NET qui offre des services pour scanner, rechercher, lire des images et des PDF. Elle est livrée avec plus de 125 packs linguistiques mondiaux. La sortie est obtenue sous forme de texte, de données structurées ou de PDF consultables. Prend en charge les versions .NET comme 6, 5, Core, Standard et Framework.

IronOCR est unique par sa capacité à détecter et à extraire automatiquement des données à partir d'images et de documents imparfaitement numérisés. La classe 'IronTesseract' a l'API la plus simple. Elle fournit la version la plus avancée de Tesseract connue partout, sur n'importe quelle plateforme avec une vitesse, une précision accrues et une DLL native et une API.

IronOCR peut également scanner les codes-barres et QR codes à partir de tous les formats d'image, et elle lit le texte et effectue la numérisation PDF en utilisant le dernier moteur Tesseract 5.

Fonctionnalités

• Elle est faite purement pour les applications .NET.
• Elle peut prendre en charge 125 langues différentes. L'arabe, le chinois, l'anglais, le finnois, le français, l'allemand, le japonais, et bien d'autres langues sont prises en charge par IronOCR.
• Elle peut corriger la position d'une image inclinée et supprimer le bruit d'une image pour un résultat précis.
• Elle fonctionne exceptionnellement bien sur les images à basse résolution avec peu de DPI.
• Elle peut lire plusieurs types de QR codes et codes-barres.
• Elle prend également en charge les formats Gif et Tiff.
• Elle permet l'exécution de nombreux threads simultanément. C'est une caractéristique exceptionnelle qui n'est pas présente dans d'autres bibliothèques OCR. Cela rend les processus plus fluides.
• Elle peut facilement effectuer l'OCR sur les fichiers PDF et exporter des documents PDF consultables à l'aide de l'OCR.

Maintenant, jetons un œil à AWS OCR.

AWS Textract d'Amazon est un service d'apprentissage automatique (ML) qui extrait automatiquement le texte et les données des documents numérisés. Il va au-delà de la simple reconnaissance optique de caractères (OCR) pour identifier, comprendre et extraire des données des formulaires et des tables à l'aide de la technologie d'apprentissage profond.

AWS OCR Textract utilise l'apprentissage automatique pour lire et traiter tout type de document, extrayant avec précision le texte, les données tabulaires et autres données sans effort manuel. Au lieu de prendre des heures ou des jours pour extraire les données, Textract peut le faire rapidement. En outre, vous pouvez ajouter des examens humains avec intelligence artificielle augmentée d'Amazon pour superviser vos modèles et vérifier les données sensibles.

Fonctionnalités

• Détectez le texte dans une variété de documents, y compris les rapports financiers, les dossiers médicaux, les tableaux et les formulaires fiscaux.
• Extraire du texte, des formulaires et des données de tableau à partir de documents avec des données structurées, en utilisant l'API d'Analyse de Document.
• Spécifiez et extrayez des informations à partir de documents en utilisant la fonctionnalité Queries dans l'API d'Analyse de Document.
• Traitez les factures et reçus avec l'API d'analyse des dépenses.
• Traitez les documents d'identité comme permis de conduire et passeports américains avec l'API d'analyse d'identité. - Analyse de documents évolutive pour accélérer la décision.
  1. Création d'un projet Visual Studio.

La suite de l'article se déroule comme suit :

2. Installation d'IronOCR.
3. Installation d'AWS OCR Textract.
4. PDF vers Texte.
5. Image vers Texte.
6. Code-barres et QR vers Texte
7. Licences
8. Conclusion
9. Conclusion

Ce tutoriel utilisera la version Visual Studio 2022 donc je suppose que vous l'avez installé.

Ce tutoriel utilisera la version Visual Studio 2022, donc je suppose que vous l'avez installé.

• Ouvrez Visual Studio 2022.
• Générez un nouveau projet .NET Core, puis sélectionnez Application Console.

Application Console

• Donnez un nom au projet. Par exemple TextReader.

Ensuite, nous allons installer les bibliothèques pour notre utilisation une par une.

Ensuite, nous allons installer les bibliothèques pour notre utilisation une par une.

1. Utilisation du gestionnaire de packages NuGet de Visual Studio.

La bibliothèque IronOCR peut être téléchargée et installée de quatre manières. Les voici :

2. Téléchargement direct via le site NuGet.
3. Téléchargement direct via la page web d'IronOCR.
4. Téléchargement direct via la page IronOCR.

IronOCR permet de reconnaître et de lire le texte à partir de formats de documents PDF en utilisant le Tesseract avancé. Le code est simple, propre et très facile à comprendre et à utiliser.

var Ocr = new IronTesseract();
using (var input = new OcrInput())
{
    input.AddPdf("example.pdf", "password");
    // We can also select specific PDF page numbers to OCR
    var Result = Ocr.Read(input);
    Console.WriteLine(Result.Text);
    Console.WriteLine($"{Result.Pages.Count()} Pages");
    // Read every page of the PDF
}

var Ocr = new IronTesseract();
using (var input = new OcrInput())
{
    input.AddPdf("example.pdf", "password");
    // We can also select specific PDF page numbers to OCR
    var Result = Ocr.Read(input);
    Console.WriteLine(Result.Text);
    Console.WriteLine($"{Result.Pages.Count()} Pages");
    // Read every page of the PDF
}

Dim Ocr = New IronTesseract()
Using input = New OcrInput()
	input.AddPdf("example.pdf", "password")
	' We can also select specific PDF page numbers to OCR
	Dim Result = Ocr.Read(input)
	Console.WriteLine(Result.Text)
	Console.WriteLine($"{Result.Pages.Count()} Pages")
	' Read every page of the PDF
End Using

Fichier PDF d'entrée

Exemple de PDF

Sortie

Sortie IronOCR

Amazon Textract facilite l'ajout de la détection et de l'analyse de texte de documents à vos applications.

Le code suivant est utilisé pour lire un PDF et le même PDF est passé : Le code est un peu complexe, long et nécessite une attention particulière lors du passage et de la récupération des objets.

public static async void ReturnResult()
{
    AmazonTextractClient client = new AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1);
    var request = new StartDocumentTextDetectionRequest();
    request.DocumentLocation = new DocumentLocation
    {
        S3Object = new S3Object
        {
            Bucket = "your_bucket_name",
            Name = "your_bucket_key"
        }
    };
    var id = await client.StartDocumentTextDetectionAsync(request);
    var jobId = id.JobId;
    var response = client.GetDocumentTextDetectionAsync(new GetDocumentTextDetectionRequest{
        JobId = jobId
    });
    response.Wait();
    if (response.Result.JobStatus.Equals("SUCCEEDED"))
    {
        foreach (var block in response.Result.Blocks)
        {
            if (block.BlockType == "WORD" || block.BlockType == "PAGE" || block.BlockType == "LINE")
            {
                Console.WriteLine(block.Text);
            }
        }
    }
}

static void Main(String[] args)
{
    ReturnResult();
}

public static async void ReturnResult()
{
    AmazonTextractClient client = new AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1);
    var request = new StartDocumentTextDetectionRequest();
    request.DocumentLocation = new DocumentLocation
    {
        S3Object = new S3Object
        {
            Bucket = "your_bucket_name",
            Name = "your_bucket_key"
        }
    };
    var id = await client.StartDocumentTextDetectionAsync(request);
    var jobId = id.JobId;
    var response = client.GetDocumentTextDetectionAsync(new GetDocumentTextDetectionRequest{
        JobId = jobId
    });
    response.Wait();
    if (response.Result.JobStatus.Equals("SUCCEEDED"))
    {
        foreach (var block in response.Result.Blocks)
        {
            if (block.BlockType == "WORD" || block.BlockType == "PAGE" || block.BlockType == "LINE")
            {
                Console.WriteLine(block.Text);
            }
        }
    }
}

static void Main(String[] args)
{
    ReturnResult();
}

Public Shared Async Sub ReturnResult()
	Dim client As New AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1)
	Dim request = New StartDocumentTextDetectionRequest()
	request.DocumentLocation = New DocumentLocation With {
		.S3Object = New S3Object With {
			.Bucket = "your_bucket_name",
			.Name = "your_bucket_key"
		}
	}
	Dim id = Await client.StartDocumentTextDetectionAsync(request)
	Dim jobId = id.JobId
	Dim response = client.GetDocumentTextDetectionAsync(New GetDocumentTextDetectionRequest With {.JobId = jobId})
	response.Wait()
	If response.Result.JobStatus.Equals("SUCCEEDED") Then
		For Each block In response.Result.Blocks
			If block.BlockType = "WORD" OrElse block.BlockType = "PAGE" OrElse block.BlockType = "LINE" Then
				Console.WriteLine(block.Text)
			End If
		Next block
	End If
End Sub

Shared Sub Main(ByVal args() As String)
	ReturnResult()
End Sub

Le code est un peu délicat, long et nécessite de l'attention lors de la transmission et de la récupération des objets. Ensuite, nous devons initier une demande en utilisant la méthode StartDocumentTextDetectionRequest(). L'objet de demande définit alors DocumentLocation en utilisant le nom du bucket et la clé. Cette demande est ensuite transmise à la méthode StartDocumentTextDetectionAsync(). Comme il s'agit d'une méthode asynchrone, nous devons utiliser le mot-clé await et rendre la fonction ReturnResult asynchrone. Comme il s'agit d'une méthode asynchrone, nous devons utiliser le mot-clé await et rendre la fonction ReturnResult asynchrone. Le jobId est passé à la méthode GetDocumentTextDetectionAsync() et attend la réponse SUCCEEDED. foreach boucle est utilisée pour parcourir chaque bloc et vérifier s'il s'agit de "WORD", "PAGE" ou "LINE", puis imprimer la reconnaissance de texte. Enfin, appelez cette méthode dans la méthode Main pour le traitement des documents. Enfin, appelez cette méthode dans la méthode Main pour le traitement des documents.

Sortie

La sortie est assez similaire à IronOCR.

Sortie AWS Textreat

Lire des données à partir d'images est délicat car la qualité de l'image joue un rôle essentiel lors de l'extraction d'informations.

Les deux bibliothèques fournissent la possibilité d'extraire du texte. Ici, nous utiliserons des fichiers png. Ici, nous utiliserons des fichiers png.

Le code est presque similaire à celui d'avant. Ici, la méthode AddPDF est remplacée par la méthode AddImage.

var Ocr = new IronTesseract();
using (var Input = new OcrInput())
{
    Input.AddImage("test-files/redacted-employmentapp.png");
    //... you can add any number of images
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

var Ocr = new IronTesseract();
using (var Input = new OcrInput())
{
    Input.AddImage("test-files/redacted-employmentapp.png");
    //... you can add any number of images
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

Dim Ocr = New IronTesseract()
Using Input = New OcrInput()
	Input.AddImage("test-files/redacted-employmentapp.png")
	'... you can add any number of images
	Dim Result = Ocr.Read(Input)
	Console.WriteLine(Result.Text)
End Using

Image d'entrée

Données expurgées des employés

Sortie

La sortie est propre et correspond à l'image originale avec juste quelques lignes de code, sans aucune technicité et un résultat parfait.

Sortie d'image