Tesseract の代替案（2022年更新）

イントロダクション

Tesseractは、1985年から1994年の間にHP Laboratories BristolとHP Co.によって最初に作成されました。 コロラド州グリーリー。 1996年にはさらに改善が行われ、Windowsに移行し、1998年にはC++で書き直されました。HPは2005年にTesseractをオープンソース化しました。Googleは2006年からこれに取り組んでいます。

以下の内容を日本語に翻訳してください：

Tesseract OCR は、Googleの技術スタックの画像解析APIカテゴリに属するツールです。背景の雑音を自動的に除去することができ、スキャナーで生成されたものと同等のPDFファイルを生成することができます。 Tesseractは、高精度の光学式文字認識技術を使用しており、スキャンした紙の文書を検索可能なデジタルファイルに変換することができます。 写真撮影、デジタル画像、および複数ページにわたるスキャンPDF文書からテキストと文字を抽出することができます。 さらに、入力されたり印刷されたテキストを含むPDFは、コンピューターでエンコードされたテキストに変換できます。

他のOCRソフトウェアもあります。(オープンソース及びプロプライエタリ, ウェブサービスベース)画像ファイルやPDFからテキストを抽出できるもの。 この記事では、Tesseract OCRの代替となるいくつかのOCRツールを検討します。

ABBYY FineReader PDF

ABBYYによって開発されたABBYY FineReader PDFは、画像文書を変換する光学文字認識ソフトウェアです。(写真、スキャン、およびPDFファイルのような)そして、画面キャプチャをMicrosoft Word、Microsoft Excel、Microsoft PowerPoint、リッチテキスト形式、HTML、PDF/A、検索可能なPDF、CSV、およびテキストなどの編集可能なファイル形式に変換します。(プレーンテキスト).

ABBYY FineReader PDFは、紙の書類、25種類以上のファイル形式、またはほぼすべてのプログラムからPDFプリンターへ出力することで、直接PDFファイルを作成できます。 長期アーカイブはPDF/A-1からPDF/A-3に対応しており、PDF/UAはスクリーンリーダーのような支援技術を使用する際にコンテンツのアクセシビリティを確保します。

さらに、ABBYY FineReader PDFは、専門家がデジタル職場においてできるだけ効率的に作業できるようにします。 ABBYY FineReaderはスキャンした紙をデジタルワークフローに統合し、文書の管理と完了にかかる時間と労力を節約します。 PDFを編集するためにテキスト、表、またはレイアウト全体を変換する必要はありません。 ドキュメントがどのように作成されたかにかかわらず、デジタルかハードコピーから直接であっても、このソフトウェアはどんなドキュメントも簡単かつ体系的に処理できます。 そのソフトウェアは編集可能なPDFファイルも作成することができます。

ABBYY FineReaderのデスクトップ版は、Windows、Linux、およびmacOSで利用可能です。

AWS OCR

機械学習として(機械学習 (ML))ウェブサービスであるAmazon Textractは、スキャンされたあらゆるドキュメントからテキスト、手書き、表、その他のデータを抽出します。 それは、深層学習を使用して、PDF、写真、表、フォームなどのスキャンされた文書から内容を正確かつ自動的に抽出します。 その後、Amazon Textractは情報を編集可能で整理されたファイル形式に出力します。

多くの企業の請求書のハードコピーからExcelスプレッドシートに関連情報を転送する必要があるシナリオを考えてみてください。 このタスクを手動で完了するためにデータ入力担当者を使用することは一般的ですが、しばしば非効率的で時間がかかり、エラーが発生しやすいという問題があります。 さらに、他のOCRソフトウェアソリューションを使用している企業は、ドキュメントからデータを抽出するためにツールを構成するのに数時間を費やす傾向があります。(形式が変更されるたびに更新が必要なことがよくあります).

Textractを使用すると、企業は請求書をウェブサービスにアップロードするだけで、そのドキュメントからテキスト、フォーム、キー-バリュー・ペア、およびテーブルをより整理された形式で取得することができます。 これにより、手動で時間のかかる高価なデータ入力プロセスの必要がなくなります。

さらに、Amazon OCRを使用すると、機械学習の専門知識が不要でありながら、実証済みの高いスケーラビリティを持つディープラーニング技術を利用して、画像およびビデオ分析を簡単にアプリケーションに追加することができます。

iText

iTextは、高度なPDFドキュメント操作を可能にするJavaと.NET向けの堅牢なPDFライブラリです。この機能豊富なライブラリは、開発者がプログラムによるPDF生成、編集、解析を行うためのツールを提供します。

機能

• PDF作成: 複雑なレイアウトやデザインを含むPDFドキュメントの生成。
• PDF編集: 既存のPDFファイルの編集、ページの追加や削除。
• PDF解析: テキスト抽出、メタデータの読み込み、フォームフィールドの処理。
• セキュリティ: PDF文書に対する暗号化と権限管理。

利用シナリオ

• レポート作成: 自動化されたPDFレポート生成。
• デジタルサイネージ: PDF文書のプレゼンテーションおよびディスプレイ。
• 電子署名: デジタル署名を含むセキュアなPDFドキュメント。

ライセンス

iTextは商業用およびオープンソースで利用可能です。商業用ライセンスを使用することで、企業のニーズに対応するサポートと追加機能が提供されます。

詳しくは、iTextの公式サイトをご覧ください。

iTextは、業界をリードする複数のOCRエンジンを使用してスキャン画像を処理するエンドユーザー向けのOCRプログラムです。 オープンソースAGPLの条件のもとで、iText 7 Coreおよびいくつかのアドオンを自由に使用することができます。 代替案として、さまざまな商用ライセンスの選択肢から選ぶこともできます。

iText グループは、iText 7 Suite や iText DITO などの製品を製造しているPDF技術の世界的リーダーです。 それは、請求書、クレジットカードの明細書、モバイル搭乗券、法的なアーカイブなど、さまざまな用途のデジタル文書を作成するために、世界中の何百万人もの顧客によって使用されている、最先端で受賞歴のあるPDFソフトウェアを作成します。 このソフトウェアは、オープンソースおよび商用ソフトウェアの両方として利用可能です。

iText Group は、完全なオープンソース PDF SDK である iText 7 Suite も提供しています。このスイートには、iText 7 Core と最大限の自由度と生産性を実現するためのオプションのアドオンが含まれています。

テンセントクラウドOCR

テンセントクラウドのOCR技術は写真内の文字を自動的に検出および認識できます。 それは、印刷されたテキストに対して95%以上の信頼性と平均精度率、手書きの素材に対して90%以上の精度率を持っています。 OCR技術の文書解析およびテキスト認識アルゴリズムは、Tencent YouTu Labによって開発されました。 これを、パースの歪み、異常な照明、部分的な遮蔽などの状況に使用できます。 それは、横向きモードと縦向きモードの両方をサポートしています。 精度が向上した技術により、中文テキスト、英文テキスト、中英混合テキスト、数字、特殊記号を区別することができます。 それは、開発者が直接呼び出すことができる多様なAPIのほか、使いやすいSDKも提供します。

IronOCR

IronOCRは、開発者がC#およびVB.Netアプリケーションから画像やPDFドキュメントを読み取り、テキストを抽出することを可能にします。IronOCRは、製品の高いパフォーマンスと正確性で知られており、Microsoft OCRとTesseract OCRの技術を組み合わせています。これにより、複雑なレイアウトや出版物、手書きのテキストに対しても高い認識率を誇ります。

• サポートされるファイル形式: PNG, JPG, GIF, TIFF, BMP, PDF
• ユニークな機能: 複数言語のテキスト認識、回転・歪みの補正、ノイズ除去
• 導入が簡単: .NETフレームワークや.NET Coreプロジェクトに簡単に統合可能
• ライセンスオプション: Lite License, Plus License, Professional License, Unlimited License

IronOCRの利点

1. 高い認識精度: IronOCRは最新のOCR技術を利用し、正確なテキスト抽出を実現します。
2. 迅速な処理: 高速な処理速度で大量のドキュメントを効率的に処理できます。
3. シンプルな統合: APIがシンプルで使いやすいため、開発者は短時間で機能を実装できます。

IronOCRを活用することで、あなたのアプリケーションは自動化されたデータ抽出機能を備え、業務効率を大幅に向上させることができます。

IronOCRは、非常に正確で効率的なOCRテキスト認識およびドキュメントスキャンアプリです。 ソフトウェア開発者は、IronOCR for .NETを使用して、.NETアプリケーションやウェブページで画像やPDFからテキストを読み取ることができます。 このソフトウェアは、画像のテキストおよびバーコードのスキャンを支援し、多くの外国語に対応し、出力をプレーンテキストまたは構造化データとして生成します。 Web、コンソール、MVC、およびさまざまな.NETデスクトップアプリケーションは、Iron SoftwareのOCRライブラリを利用することができます。 商業目的で使用する場合、関連ライセンスと共に開発チームからの直接サポートが提供されます。 IronOCRは、画像変換、作成、編集、操作、圧縮、画像強化などのドキュメント処理機能を迅速にアプリケーションに統合します。

• 最新のTesseract 5エンジンを使用して、IronOCR はあらゆるPDF形式からテキスト、バーコード、およびQRコードを読み取ることができます。 このライブラリを使用すると、デスクトップ、オンライン、およびコンソールアプリケーションにOCRを追加するのが迅速かつ簡単になります。
• IronOCRには、バーコードスキャン、ドキュメント検出、およびスキャン、さらにテキストからのデータ抽出などのデータキャプチャ機能があります。 ソース資料（PDFや画像など）を構造化されたデータレコードに変換します。
• IronOCRは合計127の国際言語をサポートしています。 カスタム言語および単語リストもサポートされています。
• IronOCRを使用することで、20種類以上のバーコードおよびQRコードのフォーマットを読み取ることができます。
• それはTIFFおよびGIFのマルチページ画像形式をサポートしています。
• それは低品質のスキャンや写真を修正します。
• マルチスレッド操作を可能にします。 それは複数のプロセスを同時に実行することもできます。
• ページ、段落、行、単語、文字などは、すべてIronOCRから構造化されたデータ出力を受け取ることができます。
• IronOCRは、Windows、Linux、macOSなどのオペレーティングシステムをサポートしています。
• PDFやJPEGファイルおよびさまざまな他のドキュメントから情報を抽出できます。
• IronOCRは、高い精度、知的な文字認識、およびゾーン認識を提供するため、編集可能なドキュメントを迅速に作成できます。
• IronOCRは、ドキュメントをPDFにバッチスキャンし、すべての言語のテキストを自動的に認識します。 別の方法として、テキストが自動的に認識される言語を手動で設定することもできます。
  

  以下は、画像ファイルに対してOCRを実行するためのサンプルコードです。

using IronOcr;

var Ocr = new IronTesseract(); // nothing to configure
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

using IronOcr;

var Ocr = new IronTesseract(); // nothing to configure
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

Imports IronOcr

Private Ocr = New IronTesseract() ' nothing to configure
Using Input = New OcrInput("images\image.png")
	Dim Result = Ocr.Read(Input)
	Console.WriteLine(Result.Text)
End Using

クリックこれIronOCRに関するチュートリアルについては、こちらをご覧ください。

結論

Tesseractは使いやすく、さまざまな方法で画像とPDFドキュメントをサポートしています。 それは、.NET Framework のコンテキストで IronOCR によって提供されています。 さらに、Tesseract OCRライブラリの機能を強化するための多数のパラメータも提供しています。 複数の言語を同時に使用する能力は、広範な言語にわたって提供されています。 IronOCRパッケージは、すべてのプラットフォームに対して競争力のあるライセンスとサポートを単一価格で提供します。また、1年間の無料アップデート、機能アップグレード、およびエンジニアリングチームからのサポートが付いてきます。 IronOCRは、Googleが開発したTesseractの最良の代替手段の一つであり、わずか数行のコードで簡単に実装できます。

IronOCRは、パッケージソフトウェア製品、SaaS、およびOEMに必要なロイヤリティフリーの再配布カバレッジが付属しています。 他のOCR製品とは対照的に、完全にカスタム選定されており、通常は高価です。両製品には異なる価格帯があり、IronOCRは$749から始まります。 Hereライセンスと価格の詳細は次のとおりです。 簡単に言うと、IronOCRはより多くの機能を提供し、全体的なコストも低く抑えられます。