Configuration OCR pour une lecture avancée

Entrée

Le registre d'immatriculation de véhicule suivant contient un mélange de majuscules, de minuscules et de symboles spéciaux (@, $, #, |, *), et la ponctuation.

BlackListCharacters complète la liste blanche en excluant activement les symboles de bruit connus tels que , and*`.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading.cs

using IronOcr;

// Initialize the Tesseract OCR engine
IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only characters that appear on license plates
    WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",

    // Blacklist common noise characters
    BlackListCharacters = "`~@#$%&*",
};

var ocrInput = new OcrInput();
// Load the input image
ocrInput.LoadImage("advanced-input.png");
// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Print the filtered text result to the console
Console.WriteLine(results.Text);

Imports IronOcr

' Initialize the Tesseract OCR engine
Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    ' Whitelist only characters that appear on license plates
    .WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789- ",
    
    ' Blacklist common noise characters
    .BlackListCharacters = "`~@#$%&*"
}

Dim ocrInput As New OcrInput()
' Load the input image
ocrInput.LoadImage("advanced-input.png")
' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Print the filtered text result to the console
Console.WriteLine(results.Text)

Résultat

Le filtrage par liste blanche est clairement visible dans les résultats :

• " Plate: ABC-1234 " devient " P ABC-1234 ". Le mot " late: " en minuscules est supprimé, tandis que le numéro de plaque est conservé tel quel.
• " VIN : 1HGBH41JXMN109186 " devient " VIN 1HGBH41JXMN109186 ". Les deux-points sont supprimés, mais le VIN en majuscules et le numéro complet sont conservés.
• " Propriétaire : john.doe@email.com " devient " O ". Les minuscules et la ponctuation ont été supprimées.
• " Région : CA-90210 | " Zone #5 " devient " R CA-90210 Z 5 ". Le caractère pipe (|) and hash (#) sont supprimés, tandis que les lettres majuscules et les chiffres sont conservés.
• " Tarif : 125,00 $ + taxes* " devient " F 12500 ". Le signe dollar, la virgule décimale, le signe plus et le mot " tax " en minuscules sont tous supprimés.
• " Ref: ~record_v2^final " devient " R 2 ". Le tilde (~), le trait de soulignement, le signe d'insertion (^) et tous les caractères en minuscules sont supprimés.

La même approche WhiteListCharacters et BlackListCharacters fonctionne pour tout type de document, pas seulement pour les plaques d'immatriculation. La section suivante montre comment étendre une lecture pour détecter des BARCODES et des structures de tableaux en un seul passage.

Entrée

single-line-label.png est une étiquette d'expédition étroite comportant exactement une ligne de texte en gras de police Courier : SHIPPING LABEL: TRK-2024-XR9-001.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SingleLine,
};

using OcrInput input = new OcrInput();
input.LoadImage("single-line-label.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SingleLine
}

Using input As New OcrInput()
    input.LoadImage("single-line-label.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Pour une page numérisée présentant un placement irrégulier du texte, SparseText récupère plus de contenu que Auto.

Entrée

receipt-scan.png est un ticket de caisse thermique de Corner Market comportant quatre lignes (café, muffin, jus de fruits, barre granola), un séparateur en pointillés, un sous-total, la taxe et le total. Il s'agit d'un type de mise en page où la segmentation en blocs fixes omet des entrées à différentes positions horizontales.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    PageSegmentationMode = TesseractPageSegmentationMode.SparseText,
};

using OcrInput input = new OcrInput();
input.LoadImage("receipt-scan.png");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .PageSegmentationMode = TesseractPageSegmentationMode.SparseText
}

Using input As New OcrInput()
    input.LoadImage("receipt-scan.png")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Une fois la segmentation de la mise en page adaptée au type de document, l'étape suivante consiste à contrôler le format de sortie pour le traitement en aval.

Entrée

scanned-document.pdf est une lettre commerciale d'une page émanant d'IronOCR Solutions Ltd. (datée du 15 mars 2024, référence DOC-2024-OCR-0315). Le résultat est enregistré sous le nom searchable-output.pdf.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderSearchablePdf = true,
};

using OcrInput input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

OcrResult result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

Imports IronTesseract

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderSearchablePdf = True
}

Using input As New OcrInput()
    input.LoadPdf("scanned-document.pdf")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

Résultat

Le résultat est un fichier PDF qui a l'apparence du fichier d'origine mais qui contient une couche de texte masquée. Ouvrez searchable-output.pdf et utilisez Ctrl+F pour vérifier que le texte intégré est consultable et copiable.

RenderHocr produit un document hOCR, un fichier HTML qui encode le contenu textuel ainsi que les coordonnées du cadre de sélection pour chaque mot. Cela s'avère utile lorsque des outils en aval nécessitent un positionnement précis des mots, par exemple les moteurs de rédaction ou l'analyse de la mise en page des documents.

Entrée

document-page.png est une page de document intitulée " Résumé trimestriel T1 2024 " et comportant deux paragraphes de données financières couvrant le chiffre d'affaires, les coûts d'exploitation et les moteurs de croissance. Le résultat est enregistré sous le nom output.html.

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

IronTesseract ocr = new IronTesseract();

ocr.Co/nfiguration = new TesseractConfiguration
{
    RenderHocr = true,
};

using OcrInput input = new OcrInput();
input.LoadImage("document-page.png");

OcrResult result = ocr.Read(input);
result.SaveAsHocrFile("output.html");

Imports IronTesseract

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .RenderHocr = True
}

Using input As New OcrInput()
    input.LoadImage("document-page.png")

    Dim result As OcrResult = ocr.Read(input)
    result.SaveAsHocrFile("output.html")
End Using

Résultat

output.html encode chaque mot reconnu avec les coordonnées de son cadre de sélection. Ouvrez le fichier dans un navigateur pour inspecter la structure hOCR, ou transmettez-le à un outil en aval pour une analyse de mise en page ou une expurgation.

Les deux indicateurs peuvent être activés simultanément si vous avez besoin des trois formats de sortie (texte brut, PDF consultable et hOCR) à partir d'un seul appel de lecture.

Ces indicateurs de sortie fonctionnent indépendamment de la langue lue, y compris les scripts non latins. La section suivante montre comment appliquer un filtrage de caractères à un texte japonais.

Entrée

Le document contient un titre (テスト), une phrase en japonais mêlant hiragana et katakana avec des variantes de marques de voyelles (プ, で), une ligne de prix comportant des symboles de bruit interdits (★, ■) et des kanji (価格), ainsi qu'une ligne de note comportant un autre symbole interdit (§), d'autres kanji (購入), des variantes de marques vocaliques supplémentaires (プ, デ) et des katakana de base (メモ, ール). La liste blanche n'autorise que les caractères hiragana de base, les caractères katakana de base, les chiffres et la ponctuation japonaise courante ; Les trois symboles de bruit sont explicitement interdits.

Les plages de caractères Unicode pour le hiragana et le katakana sont transmises sous forme de chaînes littérales dans WhiteListCharacters, les symboles de bruit étant répertoriés dans BlackListCharacters.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-configurations-for-advanced-reading-jp.cs

using IronOcr;
using System.IO;

IronTesseract ocr = new IronTesseract();

ocr.Configuration = new TesseractConfiguration
{
    // Whitelist only Hiragana, Katakana, numbers, and common Japanese punctuation
    WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" +
                            "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" +
                            "0123456789、。？！（）¥ー",

    // Blacklist common noise/symbols you want to ignore
    BlackListCharacters = "★■§",
};

var ocrInput = new OcrInput();

// Load Japanese input image
ocrInput.LoadImage("jp.png");

// Perform OCR on the input image with ReadPhoto method
var results = ocr.ReadPhoto(ocrInput);

// Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text);

// You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt");

Imports IronOcr
Imports System.IO

Dim ocr As New IronTesseract()

ocr.Configuration = New TesseractConfiguration With {
    .WhiteListCharacters = "あいうえおかきくけこさしすせそたちつてとなにぬねのはひふへほまみむめもやゆよらりるれろわをん" &
                           "アイウエオカキクケコサシスセソタチツテトナニヌネノハヒフヘホマミムメモヤユヨラリルレロワヲン" &
                           "0123456789、。？！（）¥ー",
    .BlackListCharacters = "★■§"
}

Dim ocrInput As New OcrInput()

' Load Japanese input image
ocrInput.LoadImage("jp.png")

' Perform OCR on the input image with ReadPhoto method
Dim results = ocr.ReadPhoto(ocrInput)

' Write the text result directly to a file named "output.txt"
File.WriteAllText("output.txt", results.Text)

' You can add this line to confirm the file was saved:
Console.WriteLine("OCR results saved to output.txt")

Résultat

Le résultat filtré complet est disponible sous forme de fichier texte : jp-output.txt.

La liste blanche ne comprenant que les caractères de base en hiragana et en katakana, les variantes dérivées avec marque de voyelle, telles que プ (pu) et デ (de), sont supprimées. Les caractères kanji tels que 価格 (prix) et 購入 (achat) sont également exclus, car ils ne font pas partie du jeu de caractères autorisé. Les symboles figurant sur la liste noire, tels que ★, ■ et §, sont systématiquement supprimés, quelle que soit la liste blanche.