Tesseract OCR pour plusieurs langues (Tutoriel pour développeurs)

Comment utiliser Tesseract OCR avec plusieurs langues

1. Tout d'abord, installez le package NuGet IronOCR for .NET dans votre projet .NET.
2. Créez une instance de la classe IronTesseract, qui initialisera le moteur OCR.
3. La propriété linguistique prend en charge plus d'une langue.
4. Indiquez le chemin d'accès au fichier image que vous souhaitez traiter, puis créez un objet OcrInput.
5. Maintenant, effectuez la ROC sur l'image d'entrée à l'aide de 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 ouvert développé par Hewlett-Packard et maintenu par Google. Il est réputé pour sa grande précision et son adaptabilité, ce qui en fait l'un des principaux OCR. Tesseract prend en charge la détection des scripts, reconnaît le texte dans de nombreuses langues et peut gérer plusieurs langues ; par conséquent, elle est généralement utilisée pour des projets nécessitant des documents et une assistance multilingues.

Le moteur OCR de Tesseract travaille sur les informations contenues dans chaque pixel de l'image, en suivant des modèles représentant des caractères, des mots et des phrases qui sont finalement convertis en texte lisible par une machine. Les nombreux types de fichiers image pris en charge, tels que TIFF, JPEG et PNG, permettent à Tesseract de produire des textes dans des formats tels que le texte brut, le HTML et le PDF avec possibilité de recherche.

L'un des principaux avantages de Tesseract est qu'il peut être entraîné à être sensible à des polices particulières ou à l'ajout de nouvelles langues. Il est également fréquemment utilisé dans diverses applications, allant de la simple extraction de texte à des tâches complexes de numérisation de documents historiques, de traitement de factures, ou encore de 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, passez au "menu fichier" Sous le "menu fichier", il y a l'option "nouveau projet" Sous "nouveau projet", cliquez sur "Application console" Dans cet article, nous allons créer des documents PDF à l'aide d'un programme console.

Tesseract OCR for Multiple Languages (Developer Tutorial) : Figure 1 - Créer un nouveau projet

Saisissez le nom de votre projet et l'emplacement du fichier dans les zones de texte prévues à cet effet. Ensuite, comme le montre l'image ci-dessous, cliquez sur le bouton Créer et sélectionnez le .NET Framework dont vous avez besoin.

Tesseract OCR for Multiple Languages (Developer Tutorial) : Figure 2 - Sélectionnez le .NET Framework et indiquez un projet et un emplacement d'enregistrement.

Maintenant que la version de l'application a été sélectionnée, le projet Visual Studio va créer sa structure. Si vous avez choisi les versions console, Windows ou web, le programme 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. Il ajoute des capacités d'OCR aux applications .NET et permet l'extraction de texte à partir d'images, de documents scannés, de PDF et de tout autre support visuel. Pilotant une reconnaissance de texte de pointe grâce au moteur Tesseract, qui connaît un succès incroyable, IronOCR comprend également plusieurs fonctionnalités supplémentaires qui le rendent adapté à une utilisation dans les applications d'entreprise.

IronOcr offre une formidable prise en charge des langues : plus de 120 langues avec une prise en charge de la détection automatique des langues et du traitement des documents contenant plusieurs langues simultanément. IronOCR est donc très polyvalent et peut être déployé à l'échelle mondiale, où le traitement de documents multilingues est hautement critique.

Tesseract OCR for Multiple Languages (Developer Tutorial) : Figure 6 - IronOCR : La bibliothèque C# OCR

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 d'exemple qui aideront tout développeur à être rapidement opérationnel. Le logiciel prend en charge un large éventail de formats d'images et de documents PDF. Les fonctions intégrées de prétraitement avancé des images, de réduction du bruit et de correction des erreurs améliorent la précision et les performances de l'OCR.

Installer IronOCR

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

Tesseract OCR for Multiple Languages (Developer Tutorial) : Figure 7 - Comment accéder au gestionnaire de paquets NuGet via Visual Studio

Elle dispose d'un champ de recherche intégré, qui affiche une liste de packages provenant du site web de NuGet. Comme le montre la capture d'écran ci-dessous, nous allons rechercher l'expression IronOCR dans le gestionnaire de paquets :

Tesseract OCR for Multiple Languages (Developer Tutorial) : Figure 8 - Recherche d'IronOcr dans l'explorateur de solutions

Les résultats de la recherche peuvent proposer une liste de solutions potentielles. Vous devrez sélectionner le paquet de solutions nécessaire à l'installation.

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

Dans cet exemple, nous utiliserons les codes linguistiques espagnol, français et anglais. L'anglais est le pack linguistique par défaut et ne nécessite pas d'installation.

Tesseract OCR for Multiple Languages (Developer Tutorial) : Figure 9 - Installation du paquetage pour la langue française

Installez Spanish à partir du package NuGet.

Tesseract OCR for Multiple Languages (Developer Tutorial) : Figure 10 - Installation du paquetage pour la langue espagnole

Lisez plusieurs langues avec IronOCR avec moteur Tesseract

L'exemple suivant montre comment reconnaître du texte en plusieurs langues à partir d'une image à l'aide de C# et du 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 une reconnaissance optique de caractères sur une image contenant des caractères anglais, espagnols et français. Le programme commence par importer l'espace de noms requis pour IronOcr et par déclarer une classe nommée Programme avec une méthode Main, qui constitue 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 permet de s'assurer que le moteur d'OCR peut reconnaître et traiter du texte dans n'importe laquelle de ces trois langues.

Le chemin d'accès au fichier image d'entrée est défini à l'aide de la variable inputFile. L'image est ensuite chargée dans une déclaration using avec une instance de la classe OcrInput pour une gestion et une 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 d'utilisation de la capacité multilingue d'IronOcr pour extraire du texte à partir d'images contenant des mots dans différentes langues.

Tesseract OCR for Multiple Languages (Developer Tutorial) : Figure 11 - Texte reconnu

Conclusion

Tesseract OCR for Multiple Languages (Developer Tutorial) : Figure 12 - Page de licence IronOCR

Bien que Tesseract et IronOcr soient toutes deux des technologies d'OCR robustes, chacune possède des capacités et des atouts uniques. Tesseract, en tant que logiciel libre, est fiable pour tous ceux qui recherchent une solution gratuite et dispose de communautés actives et d'améliorations continues.

En revanche, IronOCR est une bibliothèque propriétaire pour le .NET Framework, qui offre une expérience utilisateur améliorée grâce à une intégration plus facile et à la prise en charge de la plupart des types de fichiers d'images. Elle offre également de bonnes performances en matière de reconnaissance de texte, en particulier avec des images 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 économique et, à l'achat, fournit 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 une assistance technique en ligne 24/7 aux utilisateurs licenciés. Pour plus d'informations, consultez le site web IronOCR.