Tesseract対Microsoft OCR：直接比較

Tesseract OCRの主な特徴

-オープンソース： Tesseractは、Apache License 2.0の条件に基づき、誰でも自由に使用、改変、配布できます。オープンソース設計は、コミュニティの貢献のおかげで、幅広い採用と継続的な機能強化に大きく貢献しています。 -言語サポート: Tesseract は、言語に加えて 100 を超えるさまざまなスクリプトと文字セットを認識できます。 多言語対応能力のおかげで、さまざまな言語や地域における幅広いOCRアプリケーションに適しています。 -精度: Tesseract は、特に正しく設定され、適切なデータでトレーニングされた場合、優れたテキスト認識精度で知られています。 歪んだ角度、低品質、不十分な照明などのさまざまな問題を抱えた写真から、信頼性の高いテキストを抽出することができます。 -オプション: Tesseract には、さまざまな構成およびカスタマイズ オプションが用意されています。 特定のユースケース向けのOCR性能を最大化するために、ユーザーは複数のパラメーターを調整できます。 さらに、Tesseractは、Java、C++、Python、C#などのさまざまなプラットフォームやコンピュータ言語と組み合わせることで、開発者がさまざまなアプリケーションでその能力を活用できるようにしています。

• Tesseractは、精度、性能、言語サポートを向上させるために、新しい機能が定期的に追加され、継続的な開発とメンテナンスが行われています。 Tesseractのオープンソースコミュニティは、最先端のOCRツールであり続けることを保証するために、その継続的な開発をサポートしています。

.NET向けTesseract OCRのインストール

Tesseract OCRをコンピュータにインストールすることが最初のステップです。公式のTesseract GitHubリポジトリで、Tesseractインストーラーを入手できます: https://github.com/tesseract-ocr/tesseract.

Tesseract OCRをコンピュータにインストールするには、オペレーティングシステム（Windows、macOS、Linux）に特化したセットアップ手順に従ってください。 Tesseract OCRをインストールした後、Visual StudioのNuGetパッケージマネージャーを使用して、Tesseract.NETラッパーをC#プロジェクトに追加します。

C#プロジェクトをVisual Studioで開き、ツール -> NuGetパッケージマネージャー -> ソリューションのNuGet Packagesを管理に移動します。 NuGetパッケージマネージャーで"Tesseract"を検索し、"Tesseract"または"Tesseract.NET"という名前のパッケージを見つけることができるはずです。 プロジェクトにパッケージを含めるには、選択してインストールをクリックします。

Tesseract OCR using C

C#プロジェクトでTesseractを使用するには、次の手順に従います。

using Tesseract;

class Program
{
    static void Main(string[] args)
    {
        // Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
        using (var engine = new TesseractEngine(@"path_to_tesseract_folder", "eng", EngineMode.Default))
        {
            // Load the image from which to extract text
            using (var img = Pix.LoadFromFile("image.png"))
            {
                // Process the image and extract the text
                using (var page = engine.Process(img))
                {
                    // Get the extracted text
                    var text = page.GetText();
                    Console.WriteLine(text); // Print the extracted text
                }
            }
        }
    }
}

using Tesseract;

class Program
{
    static void Main(string[] args)
    {
        // Initialize the Tesseract engine with the path to your Tesseract installation and the desired language(s)
        using (var engine = new TesseractEngine(@"path_to_tesseract_folder", "eng", EngineMode.Default))
        {
            // Load the image from which to extract text
            using (var img = Pix.LoadFromFile("image.png"))
            {
                // Process the image and extract the text
                using (var page = engine.Process(img))
                {
                    // Get the extracted text
                    var text = page.GetText();
                    Console.WriteLine(text); // Print the extracted text
                }
            }
        }
    }
}

これを達成するには、TesseractEngineのコンストラクタオプションで、Tesseractインストールディレクトリと使用したい言語を指定します。 "eng" を使用する言語の言語コード (例: 英語の場合は "eng") に置き換え、"path_to_tesseract_folder" を Tesseract インストール ディレクトリへの実際のパスに置き換えます。

C#プロジェクトにTesseractを設定した後の今、写真からテキストを抽出するためのそのOCR機能を活用できます。 TesseractEngine インスタンスは、Pix クラスを使用して画像を読み込んだ後、その画像を処理してテキストを抽出したり、画像ファイルで OCR を実行したりするために使用できます。その場合、"image.png" を画像ファイルのパスに置き換えます。

主要機能

• Azure Cognitive Services との統合: Microsoft OCR は、AI を活用した Microsoft Azure API とサービスのコレクションである Azure Cognitive Services と連携して機能します。 この接続により、開発者はREST API、SDK、およびクライアントライブラリを使用して、Microsoft OCR機能をアプリケーションおよびワークフローに簡単に統合できます。 -高精度とパフォーマンス:膨大なデータセットでトレーニングされた高度な機械学習モデルにより、Microsoft OCR は高精度とパフォーマンスのテキスト認識を提供します。 複雑なレイアウトやさまざまなフォントを持つ写真からのテキストを正確に抽出できるので、広範なOCRアプリケーションに適しています。 -スケーラビリティと信頼性: Azure Cognitive Services のコンポーネントである Microsoft OCR は、スケーラビリティと信頼性を提供するため、さまざまな処理要件を持つアプリケーションに適しています。 多くのドキュメントを効率的に管理し、同時に複数のリクエストを処理することで、稼働時間と安定したパフォーマンスを保証します。 -多言語サポート: Microsoft OCR は、他の OCR プログラムと同様に多言語認識をサポートしており、ユーザーはさまざまな言語や文字セットで写真からテキストを抽出できます。 多言語サポートのおかげで、さまざまな言語ニーズを持つ世界的なアプリケーションに適しています。

C#プロジェクトで使用するために、Microsoft OCRをAzure Cognitive Services、特にComputer Vision APIと統合する必要があります。 ここに始める方法があります:

Azureアカウントを作成

Azure アカウントをまだ持っていない場合は、作成する必要があります。 無料の Azure アカウントを作成し、試用期間中にいくつかのサービスにアクセスできます。

Azure Cognitive Services の構成

Azure アカウントを持っているときは、Azure Cognitive Services の Computer Vision サービスを構成する必要があります。

• Azureポータルを開きます。
• "リソースの作成"をクリックして"Computer Vision"を検索します。
• Computer Visionサービスを選択したら"作成"をクリックしてください。
• プロンプトに従って、サブスクリプションと価格層を選択してサービスを設定します。
• サービスが構築された後、リソースに移動し、サブスクリプションキーとエンドポイントURLを保存してください。 それらはクエリの信頼性を確認するために必要です。

Azure Cognitive Services SDK のインストール

Microsoft Azureを利用することが可能です。 C#プロジェクトをVisual Studioで開き、ツール -> NuGet Package Manager -> ソリューションのNuGet Packagesを管理に移動します。

C# プロジェクトを Visual Studio で開いた後、[ツール] -> [NuGet パッケージ マネージャー] に移動し、[ソリューションの NuGet パッケージを管理] を選択します。

"Microsoft.Azure.CognitiveServices.Vision.ComputerVision"を検索してパッケージをインストールします。

IronOCRの主な機能

-シンプルな統合: NuGetパッケージを使用するか、プロジェクト内でライブラリに直接アクセスすることで、 IronOCR をC# または VB .NETプロジェクトに簡単に組み込むことができます。 -多用途OCR： IronOCRは、スクリーンショット、スキャンした文書、PDFファイル、写真など、幅広いソースからテキストを認識できます。BMP、TIFF、PNG、JPEGなど、様々な画像形式に対応しています。 -正確なテキスト認識: IronOCR は、洗練された OCR アルゴリズムを利用して、優れたテキスト認識精度を実現します。 - 複数言語に対応: IronOCRは複数の言語を認識できるため、多言語アプリケーションに適しています。 -複数言語のサポート: IronOCR は複数の言語を認識できるため、多言語アプリケーションに適しています。 - PDFテキスト抽出: IronOCRはスキャンされたPDFと画像ベースのPDFの両方からテキストを抽出できます。

• PDF テキスト抽出:スキャンされた PDF と画像ベースの PDF の両方から、 IronOCRによってテキストを抽出できます。 - 画像の前処理: OCR処理前に、IronOCRは受けた画像のクオリティを向上させるために画像の前処理機能を持っています。 -画像前処理: OCR 処理の前に、 IronOCR は画像前処理機能を使用して入力画像の品質を向上させることができます。 これには、デスキュー、コントラストの変更、ノイズの削減などのタスクが含まれます。

IronOCR Using C

こちらが IronOCR を使用した基本的な C# の例です：

// Create an instance of IronTesseract
var Ocr = new IronTesseract(); // nothing to configure
// Set the language and Tesseract version to be used for OCR
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Prepare the image input and perform OCR
using (var Input = new OcrInput())
{
    // Add the image for OCR processing
    Input.AddImage(@"Demo.png");
    // Read the text from the image
    var Result = Ocr.Read(Input);
    // Print the recognized text
    Console.WriteLine(Result.Text);
    Console.ReadKey(); // Wait for user input before closing
}

// Create an instance of IronTesseract
var Ocr = new IronTesseract(); // nothing to configure
// Set the language and Tesseract version to be used for OCR
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Prepare the image input and perform OCR
using (var Input = new OcrInput())
{
    // Add the image for OCR processing
    Input.AddImage(@"Demo.png");
    // Read the text from the image
    var Result = Ocr.Read(Input);
    // Print the recognized text
    Console.WriteLine(Result.Text);
    Console.ReadKey(); // Wait for user input before closing
}

上記のコードを使用して、最高のOCR精度で画像からデータを抽出できます。 さらに、IronOCRは文書から抽出されたテキストをWordを含む編集可能なファイル形式に変換することを容易にします。 スキャンした文書も検索可能なPDFに変換できます。 コードについて詳しくはこちらを参照してください。 コードの詳細については、こちらをご覧ください。

ソース画像:

結果：