Comment utiliser un langage personnalisé avec Tesseract en C

En matière de reconnaissance optique de caractères (OCR), il est parfois nécessaire de gérer des langues personnalisées, des scripts spécialisés ou des chiffrements. Pour lire une image d'entrée contenant une langue personnalisée, le moteur Tesseract doit recevoir des données d'entraînement pour cette langue spécifique. Ces données sont stockées dans un fichier spécial .traineddata .

Bien que le processus complexe de création (entraînement) de ce fichier soit réalisé à l'aide des propres outils de Tesseract, IronOCR prend entièrement en charge l'utilisation de ces fichiers de langue personnalisés. Cela vous permet d'appliquer votre modèle entraîné pour déchiffrer et lire du texte à partir de n'importe quelle entrée. Dans ce guide pratique, nous allons vous montrer comment charger et utiliser un fichier .traineddata personnalisé avec IronOCR.

Commencez avec IronOCR

Commencez à utiliser IronOCR dans votre projet aujourd'hui avec un essai gratuit.

Première étape :

Commencer gratuitement

Langue personnalisée avec Tesseract

Pour utiliser un langage personnalisé avec Tesseract, nous devons d'abord charger notre fichier .traineddata en appelant la méthode UseCustomTesseractLanguageFile . Il s'agit d'une étape essentielle, car ce fichier contient toutes les données d'entraînement qui permettent à Tesseract de reconnaître les caractères uniques de la langue personnalisée.

Ensuite, nous chargeons notre document d'entrée comme pour une opération OCR classique. Dans ce cas précis, nous chargeons un PDF contenant des paragraphes en langue personnalisée à l'aide LoadPdf .

Enfin, nous utilisons la méthode Read pour extraire le texte de l'entrée. Le résultat peut ensuite être affiché sur la console ou, comme le montre l'exemple, enregistré (retransmis) dans un fichier texte pour référence.

Entrée

Nous utiliserons comme entrée cet exemple de PDF, qui contient du texte dans notre langue personnalisée.

Nous utiliserons ce fichier .traindata de langage personnalisé pour notre exemple.

Exemple de Code

:path=/static-assets/ocr/content-code-examples/how-to/ocr-custom-language.cs

using IronOcr;
using System;
using System.IO;

var ocrTesseract = new IronTesseract();

// Load the traineddata file for the custom language
ocrTesseract.UseCustomTesseractLanguageFile("AMGDT.traineddata");

using var ocrInput = new OcrInput();
// Load the PDF containing text in the custom language
ocrInput.LoadPdf("custom.pdf");

var ocrResult = ocrTesseract.Read(ocrInput);

// Print text to the console
Console.WriteLine("--- OCR Result ---");
Console.WriteLine(ocrResult.Text);
Console.WriteLine("------------------");

// Pipe text to a .txt file
string outputFilePath = "ocr_output.txt";
File.WriteAllText(outputFilePath, ocrResult.Text);

Console.WriteLine($"\nSuccessfully saved text to {outputFilePath}");

IRON VB CONVERTER ERROR developers@ironsoftware.com

$vbLabelText   $csharpLabel

Sortie

Ce résultat affiche les données issues de notre modèle de langage personnalisé. Comme vous pouvez le constater, en fournissant les données d'entraînement correctes, IronOCR a réussi à déchiffrer le texte, et le résultat est en anglais clair. De plus, voici le fichier texte généré par le code.