Tesseract OCR pour plusieurs langues (Tutoriel pour développeurs)

Comment utiliser Tesseract OCR avec plusieurs langues

1. Tout d'abord, installez le package NuGet IronOCR/Tesseract dans votre projet .NET.
2. Créez une instance de la classe IronTesseract, qui initialisera le moteur OCR.
3. La propriété de langue prend en charge plus d'une langue.
4. Spécifiez le chemin du fichier image que vous souhaitez traiter, puis créez un objet OcrInput.
5. Maintenant, effectuez l'OCR sur l'image d'entrée en utilisant la fonction Read de l'instance IronTesseract.
6. Prenez le résultat et affichez le texte reconnu.

Qu'est-ce que Tesseract ?

Tesseract est un moteur de reconnaissance optique de caractères open source développé par Hewlett-Packard et plus tard maintenu par Google. Il est célèbre pour sa grande précision et son adaptabilité, ce qui en fait l'un des OCR les plus éminents. Tesseract prend en charge la détection de scripts, reconnaît le texte dans de nombreuses langues et peut gérer plusieurs langues ; ainsi, il est généralement utilisé pour les projets nécessitant des documents multilingues et une prise en charge.

Le moteur OCR Tesseract fonctionne sur les informations contenues dans n'importe quel pixel unique de l'image, suivant des motifs représentant des caractères, des mots et des phrases qui sont finalement convertis en texte lisible par machine. Les nombreux types de fichiers d'image qu'il prend en charge, tels que TIFF, JPEG, et PNG, permettent à Tesseract de produire du texte dans des formats comme le texte brut, le HTML et le PDF consultable.

L'un des grands avantages de Tesseract est qu'il peut être entraîné à être sensible à des polices particulières ou à de nouvelles langues ajoutées. Il est également fréquemment utilisé dans diverses applications, allant de l'extraction simple de texte à des tâches complexes dans la numérisation de documents historiques, le traitement de factures, ou même des logiciels d'accessibilité permettant la lecture pour les malvoyants.

Créer un nouveau projet dans Visual Studio

Ouvrez le programme Visual Studio. À l'ouverture du programme, procédez au "menu fichier." Sous le "menu fichier," il y a l'option "nouveau projet." Sous "nouveau projet," cliquez sur "Application Console." Dans ce post, nous créerons des documents PDF en utilisant un programme console.

Saisissez le nom de votre projet et l'emplacement du fichier dans les zones de texte fournies. Puis, comme indiqué dans l'image ci-dessous, cliquez sur le bouton Créer et sélectionnez le .NET Framework dont vous avez besoin.

Maintenant que la version de l'application a été sélectionnée, le projet Visual Studio créera sa structure. Si vous avez choisi les versions console, Windows, ou web, il ouvrira le fichier program.cs pour ajouter du code et construire/exécuter l'application.

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

Imports System
Imports System.Drawing
Imports Tesseract

Friend Class Program
	Shared Sub Main()
		' Set the path to the Tesseract data files (traineddata files)
		Dim tessDataPath As String = "./tessdata" ' Ensure this directory contains the language data files

		' Load the image
		Dim imagePath As String = "path_to_your_image.png"
		Using img = Pix.LoadFromFile(imagePath)
			' Add languages to the Tesseract engine
			Using engine = New TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default)
				Using page = engine.Process(img)
					' Extract the text
					Dim text As String = page.GetText()
					Console.WriteLine("Recognized Text:")
					Console.WriteLine(text)
				End Using
			End Using
		End Using
	End Sub
End Class

Qu'est-ce que IronOCR?

IronOCR est une bibliothèque OCR propriétaire axée sur .NET. Elle ajoute des capacités OCR aux applications .NET et permet l'extraction de texte à partir d'images, de documents numérisés, de PDF et de tous les autres médias visuels. IronOCR, basé sur le moteur Tesseract, inclut des fonctionnalités supplémentaires adaptées aux applications d'entreprise.

IronOCR offre un support linguistique considérable — plus de 120 langues avec une prise en charge de la détection automatique des langues et du traitement de documents contenant plusieurs langues simultanément. Cela rend IronOCR très polyvalent et déployable à l'échelle mondiale, là où le traitement de documents multilingues est hautement critique.

D'autre part, IronOCR met l'accent sur la simplicité d'utilisation et d'intégration. Son API extrêmement facile à utiliser est complétée par une documentation détaillée et un ensemble de projets exemples qui aideront tout développeur à démarrer rapidement. Il prend en charge une large gamme de formats d'image et de documents PDF. Des fonctionnalités intégrées de prétraitement d'image avancé, de réduction de bruit et de correction d'erreurs améliorent la précision et la performance de l'OCR.

Installer IronOCR

Vous pouvez installer les packages directement dans votre solution à l'aide de l'outil de gestion des paquets NuGet de Visual Studio. L'instantané suivant montre comment ouvrir le gestionnaire de paquets NuGet.

Il possède une boîte de recherche intégrée, qui affiche une liste de packages provenant du site Web NuGet. Comme montré dans la capture d'écran ci-dessous, nous rechercherons le gestionnaire de paquets pour la phrase IronOCR :

Les résultats de recherche peuvent proposer une liste de solutions potentielles. Vous devrez sélectionner le package de solution nécessaire à installer.

Installez également les packs linguistiques Tesseract nécessaires un par un, comme celui ci-dessous pour cet exemple.

Dans cet exemple, nous utiliserons les codes de langue espagnol, français et anglais. L'anglais est le pack linguistique par défaut et n'a pas besoin d'être installé.

Installez l'espagnol depuis le package NuGet.

Lire plusieurs langues avec IronOCR avec le moteur Tesseract

L'exemple suivant démontre comment reconnaître du texte en plusieurs langues à partir d'une image en utilisant C# et le moteur IronOCR et Tesseract.

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

Imports IronOcr

Friend Class Program
	Shared Sub Main(ByVal args() As String)
		' Initialize IronTesseract engine
		Dim Ocr = New IronTesseract()

		' Add multiple languages
		Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French

		' Path to the image
		Dim inputFile = "path\to\your\image.png"

		' Read the image and perform OCR
		Using input = New OcrInput(inputFile)
			' Perform OCR
			Dim result = Ocr.Read(input)

			' Display the result
			Console.WriteLine("Recognized Text:")
			Console.WriteLine(result.Text)
		End Using
	End Sub
End Class

Le programme C# ci-dessus utilise la bibliothèque IronOCR pour effectuer la reconnaissance optique des caractères sur une image contenant des caractères en anglais, espagnol et français. Le programme commence par importer l'espace de noms requis pour IronOCR et déclarer une classe nommée Program avec une méthode Main, qui est le point d'entrée de l'application.

Dans la méthode Main, une instance de la classe IronTesseract est instanciée et assignée à la variable Ocr. La propriété Language est définie pour inclure l'anglais, l'espagnol et le français en combinant OcrLanguage.English, OcrLanguage.Spanish et OcrLanguage.French. Cela garantit que le moteur OCR peut reconnaître et traiter le texte dans l'une de ces trois langues.

Le chemin vers le fichier image d'entrée est défini à l'aide de la variable inputFile. L'image est ensuite chargée dans une instruction using avec une instance de la classe OcrInput pour une gestion et élimination appropriées des ressources. Enfin, la méthode Read de l'instance IronTesseract est appelée avec l'objet d'entrée pour effectuer l'OCR sur l'image.

Le texte reconnu est ensuite imprimé sur la console à l'aide de la méthode Console.WriteLine. Ce programme illustre une méthode efficace pour utiliser la capacité multilingue d'IronOCR pour extraire du texte à partir d'images contenant des mots dans différentes langues.

Conclusion

Bien que Tesseract et IronOCR soient des technologies OCR robustes, chacune a des capacités et des forces uniques. Tesseract, étant open-source, est fiable pour toute personne cherchant une solution gratuite et possède des communautés actives et une amélioration continue.

En revanche, IronOCR est une bibliothèque propriétaire pour le .NET Framework, offrant une meilleure expérience utilisateur avec une intégration plus facile et une prise en charge de la plupart des types de fichiers image. Il offre également de bonnes performances en reconnaissance de texte, notamment avec du contenu image de faible qualité. IronOCR prend pleinement en charge de nombreuses langues et dispose de fonctionnalités supplémentaires qui le rendent plus convivial.

IronOCR propose une édition de développement rentable et, une fois achetée, offre une licence à vie. Le package IronOCR commence à $liteLicense en tant que coût unique pour plusieurs systèmes, offrant un excellent rapport qualité-prix et un support en ligne d'ingénierie 24/7 aux utilisateurs licenciés. Pour plus d'informations, consultez le site Web IronOCR.