Comment créer une reconnaissance de caractères en C#

Moteur OCR Tesseract amélioré

IronOCR améliore les capacités du moteur OCR Tesseract, largement utilisé, en optimisant à la fois la précision et la vitesse. Il constitue une solution robuste pour extraire du texte à partir de diverses sources, notamment des images, des PDF et divers formats de documents.

Couverture linguistique étendue

Prenant en charge plus de 125 langues, IronOCR est parfaitement adapté aux exigences multilingues, ce qui en fait un choix idéal pour les applications exigeant une grande polyvalence linguistique.

Choix de sortie polyvalents

Le texte extrait peut être facilement exporté sous forme de texte brut ou de données structurées pour une intégration transparente dans des chaînes de traitement ultérieures. De plus, IronOCR facilite la création de PDF consultables directement à partir d'images.

Adaptabilité multiplateforme

Conçu pour être compatible avec C#, F# et VB.NET, IronOCR fonctionne de manière transparente dans divers environnements .NET, notamment les versions 8, 7, 6, Core, Standard et Framework.

Tirer parti de Tesseract 5

IronOCR exploite la puissance de Tesseract 5, finement adapté pour des performances optimales au sein de l'écosystème .NET.

Capacité OCR basée sur les zones

Avec IronOCR, les utilisateurs peuvent définir précisément des zones spécifiques au sein des documents, permettant un traitement OCR ciblé. Cette fonctionnalité améliore la précision et l'efficacité en concentrant la puissance de traitement là où elle est le plus nécessaire.

Outils de prétraitement d'images

La bibliothèque offre une suite de fonctionnalités de prétraitement d'images telles que le redressement et la réduction du bruit. Ces outils garantissent des résultats supérieurs même avec des images sources imparfaites, améliorant ainsi l'expérience globale de reconnaissance optique de caractères (OCR).

Nous allons maintenant développer une application de démonstration qui utilise IronOCR pour lire le texte à partir d'images.

Explication du code

1. Instance d'IronTesseract : Nous commençons par créer une instance d'IronTesseract pour effectuer des opérations OCR.
2. Chargement de l'image : Nous chargeons l'image d'exemple dans l'objet OcrInput.
3. Lecture du texte : Le texte de l'image est lu et le résultat est affiché sur la console.

Sortie

Comment créer une fonction de reconnaissance de caractères en C# : Figure 7 - Texte extrait à l'aide d'IronOCR

Sélection de la langue

Vous pouvez spécifier la langue pour la reconnaissance optique de caractères (OCR) à l'aide de la propriété Langue. Par exemple, pour définir la langue sur l'anglais, utilisez :

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.English

Mode de segmentation de page

Le paramètre PageSegmentationMode détermine comment Tesseract segmente l'image d'entrée. Les options incluent AutoOsd, SingleBlock, SingleLine, et plus encore. Par exemple :

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd

Variables Tesseract personnalisées

Vous pouvez affiner les paramètres de Tesseract en définissant des variables spécifiques. Par exemple, pour désactiver la parallélisation :

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables("tessedit_parallelize") = False

Liste blanche et liste noire des personnages

Utilisez WhiteListCharacters et BlackListCharacters pour contrôler les caractères que Tesseract reconnaît. Par exemple :

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ"
ocr.Configuration.BlackListCharacters = "`ë|^"

Variables de configuration supplémentaires

Explorez les autres variables de configuration de Tesseract pour personnaliser son comportement selon vos besoins. Par exemple :

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables("classify_num_cp_levels") = 3
ocr.Configuration.TesseractVariables("textord_debug_tabfind") = 0
' ... (more variables)

Essayons maintenant de décoder la même image en utilisant les paramètres avancés.

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

Imports IronOcr

Public Class Program
	Public Shared Sub Main()
		Console.WriteLine("Decoding using advanced features")
		Dim ocrTesseract = New IronTesseract() With {
			.Language = OcrLanguage.EnglishBest,
			.Configuration = New TesseractConfiguration() With {
				.ReadBarCodes = False,
				.BlackListCharacters = "`ë|^",
				.WhiteListCharacters = Nothing,
				.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
				.TesseractVariables = Nothing
			},
			.MultiThreaded = False
		}

		Dim ocrInput As New OcrInput() ' Create a disposible ocr input object
		ocrInput.AddImage("sample1.png") ' Load the sample image
		Dim ocrResult = ocrTesseract.Read(ocrInput) ' Read the text from the image
		Console.WriteLine(ocrResult.Text) ' Output the text
	End Sub
End Class

Explication du code

1. Configuration d'IronOCR : Une instance d'IronTesseract (la classe principale d'IronOCR) est créée et affectée à la variable ocrTesseract .

   Les paramètres de configuration sont appliqués à ocrTesseract :

   • Langue : Spécifie la langue pour la reconnaissance optique de caractères (dans ce cas, l'anglais).
   • Configuration : Un objet TesseractConfiguration qui permet une personnalisation plus poussée :
     • ReadBarCodes : Désactive la lecture des codes-barres.
     • BlackListCharacters : Spécifie les caractères à mettre sur liste noire (caractères à ne pas reconnaître).
     • WhiteListCharacters : Aucune liste blanche spécifiée, tous les caractères sont autorisés.
     • PageSegmentationMode : Définit le mode de segmentation de page sur " AutoOsd ".
     • TesseractVariables : Aucune variable personnalisée n'a été utilisée.
   • MultiThreaded : Désactive le multithreading.
2. Saisie OCR et chargement d'images : un bloc using crée un objet ocrInput jetable de type OcrInput. Le fichier image " sample1.png " est ajouté à ocrInput .
3. Extraction de texte : La méthode Read est appelée sur ocrTesseract , en passant ocrInput . Le résultat est stocké dans la variable ocrResult .
4. Sortie : Le texte extrait est imprimé dans la console à l'aide Console.WriteLine(ocrResult.Text) .

Sortie

Comment créer une fonction de reconnaissance de caractères en C# : Figure 8 - Texte extrait à l'aide d'IronOCR

Étape 5 : Optimisation des performances de l'opération de lecture IronOCR .

Lorsque vous travaillez avec IronOCR , vous avez accès à différents filtres d'image qui peuvent vous aider à prétraiter les images avant d'effectuer la reconnaissance optique de caractères (OCR). Ces filtres optimisent la qualité de l'image, améliorent la visibilité et réduisent le bruit ou les artefacts. Ils contribuent à améliorer les performances de l'opération OCR.

1. Rotation :

   Le filtre Rotation permet de faire pivoter les images d'un nombre de degrés spécifié dans le sens horaire. Pour une rotation dans le sens antihoraire, utilisez des nombres négatifs.

2. Bureau :

   Le filtre Deskew corrige l'inclinaison de l'image, garantissant ainsi que le texte est droit et orthogonal. Ceci est particulièrement utile pour la reconnaissance optique de caractères (OCR), car Tesseract fonctionne mieux avec des numérisations correctement orientées.

3. Scale:

   Le filtre Scale met à l'échelle proportionnellement les pages d'entrée OCR.

4. Binariser :

   Le filtre Binarize convertit chaque pixel en noir ou en blanc, sans nuance intermédiaire. Cela peut améliorer les performances de la reconnaissance optique de caractères (OCR) dans les cas de très faible contraste entre le texte et l'arrière-plan.

5. Vers des niveaux de gris :

   Le filtre ToGrayScale convertit chaque pixel en une nuance de gris. Bien que cela ne permette probablement pas d'améliorer significativement la précision de la reconnaissance optique de caractères, cela pourrait en améliorer la vitesse.

6. Inverser :

   Le filtre Inverser inverse les couleurs : le blanc devient noir et le noir devient blanc.

7. Remplacer la couleur :

   Le filtre ReplaceColor remplace une couleur spécifique d'une image par une autre couleur, en tenant compte d'un certain seuil.

8. Contraste :

   Le filtre de contraste augmente automatiquement le contraste. Il améliore souvent la vitesse et la précision de la reconnaissance optique de caractères (OCR) dans les numérisations à faible contraste.

9. Dilater et éroder :

   Ces filtres morphologiques avancés manipulent les contours des objets dans une image.

   • Dilate ajoute des pixels aux contours de l'objet.
   • L'érosion supprime les pixels des contours de l'objet.

10. Affûter :

    Le filtre Netteté accentue la netteté des documents OCR flous et aplatit les canaux alpha en blanc.

11. Débruitage :

    Le filtre DeNoise élimine le bruit numérique. Utilisez-le lorsque du bruit est attendu.

12. Nettoyage en profondeur du bruit de fond :

    Ce filtre de suppression des bruits de fond importants ne doit être utilisé que lorsque le bruit de fond du document est extrêmement élevé. Cela peut réduire la précision de la reconnaissance optique de caractères pour les documents propres et consomme beaucoup de ressources du processeur.

13. Améliorer la résolution :

    Le filtre EnhanceResolution améliore la résolution des images de faible qualité. Ce n'est pas souvent nécessaire grâce à la gestion automatique de la résolution.

Voici un exemple d'application de filtres avec IronOCR en C# :

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Dim ocr = New IronTesseract()
Dim input = New OcrInput()
input.LoadImage("sample.png")
input.Deskew()
Dim result = ocr.Read(input)
Console.WriteLine(result.Text)

Applications OCR courantes

1. Numérisation de documents : La reconnaissance optique de caractères (OCR) est largement utilisée pour convertir des documents papier scannés, tels que des factures, des reçus, des formulaires et des contrats, en formats numériques. Ce processus de numérisation rationalise le stockage, la récupération et la gestion des documents, réduisant ainsi l'encombrement papier et améliorant l'efficacité.
2. Extraction de données : La reconnaissance optique de caractères (OCR) permet l'extraction de texte et de données à partir de documents numérisés, d'images et de fichiers PDF. Ces données extraites peuvent être utilisées pour la saisie automatisée de données, l'analyse de contenu, l'indexation et l'intégration dans des bases de données ou des systèmes d'entreprise.
3. Reconnaissance de texte dans les images : la technologie OCR permet d'extraire du texte à partir de documents imprimés et d'images à des fins d'indexation et de recherche. Cette fonctionnalité est utilisée dans diverses applications, notamment la réalité augmentée, les moteurs de recherche d'images et les services de traduction.
4. Reconnaissance automatique des plaques d'immatriculation (ALPR) : Les systèmes ALPR utilisent la ROC pour lire les numéros de plaques d'immatriculation à partir d'images ou de flux vidéo capturés par des caméras installées dans des applications de surveillance du trafic, de gestion du stationnement, de perception des péages et d'application de la loi.
5. Solutions d'accessibilité : La reconnaissance optique de caractères (OCR) joue un rôle crucial dans la création de contenu accessible aux personnes ayant une déficience visuelle. En convertissant le texte d'images ou de documents en parole ou en braille, la reconnaissance optique de caractères (OCR) contribue à rendre l'information accessible aux personnes handicapées.
6. Vérification d'identité : La technologie OCR est utilisée dans les processus de vérification d'identité, tels que la numérisation et le traitement de documents d'identité comme les passeports, les permis de conduire et les cartes d'identité. Il permet de vérifier l'authenticité des documents et d'extraire les informations pertinentes à des fins de vérification d'identité.
7. Banque et finance : L'OCR est utilisé dans le secteur bancaire et financier pour des tâches telles que la lecture de chèques, le traitement de factures, la conversion d'un document PDF existant, l'extraction de données à partir d'états financiers et l'automatisation des flux de travail basés sur des documents afin d'améliorer la précision et l'efficacité des opérations financières.
8. Traduction automatique : La technologie OCR est intégrée aux outils de traduction et aux applications d'apprentissage des langues pour convertir le texte imprimé d'une langue à une autre. Les utilisateurs peuvent capturer du texte avec leurs appareils, et la reconnaissance optique de caractères (OCR) permet de le traduire en temps réel dans la langue souhaitée.
9. Préservation des documents d'archives et historiques : L'OCR est utilisée pour numériser les documents d'archives et les documents historiques, les préservant dans des formats numériques pour un accès, une recherche et une analyse futurs tout en assurant la préservation d'un précieux patrimoine culturel.