C# OCR open source (Liste pour développeurs)

Tesseract

Le moteur OCR open-source le plus renommé s'appelle Tesseract, et il a été initialement créé par Hewlett-Packard. Depuis 2006, Google soutient ce projet de logiciel libre, distribué sous licence Apache.

L'un des systèmes open source et gratuits les plus précis est le moteur OCR Tesseract. Sa dernière version stable, la 4.1.1, basée sur LSTM, prend désormais en charge 116 langues.

Tesseract nécessite l'assistance d'une interface graphique (GUI) distincte lorsqu'il est exécuté à partir d'une interface en ligne de commande, car il ne possède pas sa propre interface intégrée. Il peut apprendre de nouvelles informations grâce à ses réseaux neuronaux et dispose d'un pipeline de prétraitement d'images avancé. La méthode la plus efficace pour ajouter des fonctionnalités OCR à votre application .NET est le kit de développement logiciel (SDK) Tesseract .NET, qui constitue l'une des meilleures solutions pour la reconnaissance de texte. Même si Tesseract est sans aucun doute la meilleure bibliothèque OCR actuellement sur le marché.

GOCR

La licence publique générale GNU a été utilisée pour créer le programme OCR (reconnaissance optique de caractères) connu sous le nom de GOCR. Il transforme les fichiers texte en images numérisées de documents. Après avoir lancé le programme et géré l'équipe de développement sur SF, Joerg Schulenburg continue aujourd'hui à s'occuper du package à un rythme de travail (très) faible.

Comme GOCR peut être utilisé avec plusieurs interfaces, il est relativement simple de le porter sur d'autres systèmes d'exploitation, applications réseau et architectures. Il peut lire une large gamme de types de fichiers image et, jusqu'en 2010, sa qualité s'est constamment améliorée.

Selon GOCR, il peut gérer les polices sans empattement à une seule colonne d'une hauteur de 20 à 60 pixels. Il signale des difficultés avec les textes écrits dans des alphabets autres que le latin, les polices à empattement, les lettres qui se chevauchent, les polices de caractères variées, les photos bruitées et les angles d'inclinaison excessifs. GOCR est également capable de traduire les codes-barres.

CuneiForm

CuneiForm, une technologie libre et open source, est désormais également connue sous le nom de " Cognitive OpenOCR ". Elle dispose d'une sortie intégrée et d'une base de données. Il couvre 23 langues distinctes et effectue également des tâches telles que la numérisation du format de texte, l'analyse de la mise en page des documents et l'identification.

Cognitive Technologies a développé les licences d'OpenOCR, qui sont des logiciels gratuits et sous licence BSD. Bien qu'il prenne en charge une utilisation multiplateforme, les utilisateurs Linux ne disposent pas d'interface graphique.

Pour simplifier le travail de reconnaissance de caractères dans toutes les applications Dot NET Framework 2.0 ou ultérieures, la bibliothèque wrapper Puma Dot NET est utilisée. Il effectue une vérification de dictionnaire lors du traitement des données afin d'améliorer la qualité de la reconnaissance.

CuneiForm est une technologie conçue pour convertir automatiquement ou semi-automatiquement des copies électroniques de documents papier et de fichiers image en un format modifiable sans altérer la structure ni les polices de caractères du document original. Le système comprend deux parties : l'une pour le traitement des documents électroniques par lots et l'autre document par document. De plus, il prend en charge une combinaison du russe et de l'anglais. Seule la branche créée par Andrei Borovsky en 2009 soutient la reconnaissance d'autres langues hybrides. Apprendre au système à reconnaître d'autres langues est complexe, car chaque langue est associée à un fichier de données dont la structure et le processus de création ne sont pas divulgués par les développeurs.

Kraken

Kraken a été développé pour résoudre les problèmes d'Ocropus sans impacter ses autres fonctionnalités. Elle utilise sa bibliothèque de réseaux neuronaux CLSTM et tire parti de la précieuse expérience acquise lors de projets antérieurs grâce à des données nouvelles. Son fonctionnement efficace sur différentes plateformes nécessite l'utilisation de certaines bibliothèques externes. Grâce aux informations stockées, il peut effectuer des prédictions plus précises concernant les problèmes potentiels de validation des données. De plus, sa méthodologie de travail facilite le déploiement et la formation aux nouveaux modèles.

IronOCR

Contrairement à la bibliothèque Tesseract standard, IronOCR étend Tesseract et fournit une bibliothèque OCR native C# avec une précision accrue, des performances améliorées et une stabilité renforcée. IronOCR peut être utilisé dans les programmes et sites web .NET pour extraire du texte à partir de fichiers PDF et d'images. Il prend en charge un large éventail de langues étrangères et peut générer des sorties en texte brut ou en données structurées. Il est capable de scanner les codes-barres et les images contenant du texte. Cette bibliothèque est compatible avec les applications .NET développées pour console, web, MVC et bureau. L'équipe de développement propose une assistance directe pour l'obtention des licences en vue de déploiements commerciaux. IronOCR est compatible avec les dernières versions de Visual Studio.

using IronOcr;

// Instantiate an IronTesseract object to utilize its OCR capabilities
var Ocr = new IronTesseract();

// Set the language to English for better accuracy
Ocr.Language = OcrLanguage.EnglishBest;

// Optionally specify the Tesseract version to ensure compatibility
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create an OcrInput object to add images for OCR processing
using (var Input = new OcrInput())
{
    // Add the image to be processed; specify the image's path
    Input.AddImage(@"Demo.png");

    // Perform the OCR and store the result
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);

    // Pause the console to keep it open
    Console.ReadKey();
}

using IronOcr;

// Instantiate an IronTesseract object to utilize its OCR capabilities
var Ocr = new IronTesseract();

// Set the language to English for better accuracy
Ocr.Language = OcrLanguage.EnglishBest;

// Optionally specify the Tesseract version to ensure compatibility
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create an OcrInput object to add images for OCR processing
using (var Input = new OcrInput())
{
    // Add the image to be processed; specify the image's path
    Input.AddImage(@"Demo.png");

    // Perform the OCR and store the result
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);

    // Pause the console to keep it open
    Console.ReadKey();
}

Conclusion

Les outils OCR open source nous permettent de construire nos propres programmes en utilisant leur code source. Cependant, certains outils ne disposent pas de bibliothèque officielle ni d'équipe dédiée pour fournir une assistance en cas de problèmes de codage. La documentation de Tesseract manque également d'exemples de code ou de tutoriels pour les scénarios d'utilisation courants, ce qui rend difficile la compréhension du code et des bibliothèques pour les débutants.

IronOCR prend en charge divers projets .NET tels que .NET Framework Standard 2, .NET Framework 4.5 et .NET Core 2, 3 et 5. Il fonctionne également avec des technologies plus récentes comme Mono, Xamarin et Azure. En tirant parti des technologies IronOCR, nous pouvons améliorer les résultats de Tesseract et corriger les documents ou images numérisés de manière inexacte. Le système complexe de dictionnaires Tesseract est géré par le biais du package NuGet. Nous utilisons la bibliothèque Iron OCR pour développer un outil OCR.

Avec IronOCR, nous pouvons utiliser le programme sans aucune configuration supplémentaire, et il prend en charge les fichiers PDF, les TIFF multi-images et tous les formats d'image courants. Il offre également des fonctionnalités de reconnaissance de codes-barres, nous permettant d'extraire des données de codes-barres et de lire les valeurs des codes-barres à partir d'images. IronOCR propose une version de développement économique avec un essai gratuit, et la licence à vie est incluse sans frais supplémentaires dans l'offre IronOCR. Cette offre permet de couvrir plusieurs plateformes avec un seul paiement. Pour plus d'informations sur les tarifs d'IronOCR, veuillez consulter cette page .