Tesseract C# vs IronOCRの使用： .NETでのOCR実装の完全ガイド

Tesseractの実装 - 簡単な例

Tesseractエンジンを使った以下の画像処理ワークフローを考えてみましょう。このコードは、PNGファイルからテキストを抽出する基本的なOCRを示しています：

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

Imports TesseractOCR
Imports TesseractOCR.Enums

' Initialize the engine with tessdata path and language
Using engine As New Engine("./tessdata", Language.English, EngineMode.Default)
    ' Load input image using Pix format
    Using img As Pix = Pix.LoadFromFile("document.png")
        ' Process the image and create a page
        Using page As Page = engine.Process(img)
            ' Extract plain text from recognized text
            Console.WriteLine(page.GetText())
        End Using
    End Using
End Using

このアプローチでは、tessdataフォルダのパスを管理し、適切なファイルパーミッションを確保し、Tesseractエンジンが期待するPixイメージフォーマットを処理する必要があります。トレーニングデータファイルがない場合や互換性がない場合、エンジンの初期化は例外をスローします。 Tesseractのネイティブリソースは、管理されていないコードからのリークを防ぐために適切に処分されなければならないため、メモリの使用には注意が必要です。 IronOCRトラブルシューティングガイドでは、初期化の問題に遭遇した開発者のために、Tesseractの一般的な課題と解決策を説明しています。

IronOCR Tesseractの実装

次のコードは、.NET IronOCRが同じテキスト抽出タスクをどのように簡素化するかを示しています：

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

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

' Load and process the input image
Using input As New OcrInput()
    input.LoadImage("document.png")
    ' Read text with automatic optimization
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronTesseractクラスは、メモリ使用を自動的に処理するマネージド・ラッパーを提供します。 OcrInputクラスは、ファイルパス、バイト配列、ストリーム、またはSystem.Drawingオブジェクトから、フォーマット変換の必要なく直接画像ファイルを受け入れます。 結果として得られるresultオブジェクトには、信頼度スコア、単語位置、段落境界などの構造化データが含まれ、これらはすべて洗練された文書処理パイプラインを構築するのに役立ちます。 より高度な機能については、complete image-to-text tutorialを参照してください。

入力

Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：画像2 - サンプル画像入力</a

Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：イメージ3 - コンソール出力

Tesseractの前処理の限界

Tesseractエンジンは、高解像度できれいな画像ファイルを、テキストを正確に処理できるように設計されています。 回転した画像やノイズの多い画像を処理すると、OCRエンジンが文字化けした出力を返したり、テキストを完全に認識できなかったりすることがよくあります。 これらの画像品質の問題に対処するには、ImageMagick、OpenCV、またはOCRエンジンに画像を渡す前に実行する必要があるカスタム前処理コードのような外部ツールが必要です。

この前処理のオーバーヘッドにより、.NETの開発時間が大幅に増加します。ドキュメントの種類ごとに異なる修正ルーチンが必要になることもあり、さまざまな入力に対して最適な結果を得るためにこれらのパイプラインをチューニングすることは、それ自体がプロジェクトになります。

IronOCRビルトイン画像前処理

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correcting skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correcting skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr = New IronTesseract()
Using input = New OcrInput()
    input.LoadImage("skewed-scan.png")
    ' Apply automatic corrections for high accuracy
    input.Deskew()  ' Correcting skew on rotated images
    input.DeNoise() ' Remove digital noise
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCRは画像補正フィルターをサポートしています。 Deskew()メソッドは、テキストの行の角度を検出し、補正回転を適用することによって傾きを修正します。 DeNoise()メソッドは、テキスト認識を混乱させるスキャンによるアーチファクトやデジタルノイズを除去します。 その他の高度な機能には、低 DPI 画像を改善する EnhanceResolution() 、ぼやけたドキュメントをシャープにする Sharpen() 、薄くなったテキストを復元する Contrast() 、明暗を反転させる Invert() などがあります。 これらのビルトイン画像前処理ツールは、ほとんどの文書処理シナリオで外部画像処理ライブラリの必要性を排除します。

入力

Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：画像4 - サンプル入力</a

Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：画像5 - コンソール出力

Tesseractフォーマットの要件

Tesseractの基礎となるLeptonicaライブラリは、内部的にPIXフォーマットの画像を扱います。 .NETラッパーはいくつかの変換を自動的に処理しますが、複数ページのTIFFやPDFドキュメントのような複雑な画像形式は、追加の処理と多くの場合外部ライブラリが必要です。 .NET開発者は、System.DrawingオブジェクトやStreamソースをTesseractエンジンが期待するフォーマットに変換する際、特にウェブアプリケーションやデータベースのブロブストレージから画像を扱う際に頻繁に問題に遭遇します。

マルチフレームGIFやマルチページTIFFでは、フレームを手動で繰り返し処理する必要があり、単純なテキスト抽出の例に定型的なコードが追加されます。

IronOCRフォーマットの柔軟性

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    ' Load various image formats directly
    input.LoadImage("photo.jpg")
    input.LoadImage("screenshot.png")
    input.LoadImage("fax.tiff")
    input.LoadPdf("scanned-contract.pdf")
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

IronOCRはJPG、PNG、GIF、TIFF、BMP、WebPを含むすべての主要フォーマットの画像をサポートします。このライブラリは、複数ページのTIFFやGIFを自動的に扱い、各フレームを別々のページとして処理します。 ドキュメントのデジタル化のために、ライブラリは、PDFファイル入力を直接処理します—別のPDF処理ライブラリや画像変換ステップを必要とせずに、スキャンしたページからテキストを抽出します。

出力

Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：画像6 - 複数画像のコンソール出力

Tesseract言語設定

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

Imports TesseractOCR
Imports TesseractOCR.Enums

' Requires downloading fra.traineddata to tessdata folder
Using engine As New Engine("./tessdata", Language.French, EngineMode.Default)
End Using

各言語は、Tesseract GitHubリポジトリから対応する.traineddata ファイルをダウンロードし、正しいtessdataフォルダに配置する必要があります。 多言語ドキュメントの場合、engineの初期化時に複数の言語を指定します。 開発環境、ステージング環境、本番環境にわたってこれらの言語ファイルを管理し、すべてのデプロイメントターゲットの出力ディレクトリに正しいバージョンがあることを確認しなければなりません。

.NET IronOCR Language Packs

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

Imports IronOcr

Dim ocr As New IronTesseract()
' Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French
' Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German)

IronOCRは、言語パックをNuGetパッケージとして配布し、標準的な.NET Frameworkと.NET Coreの依存関係管理ツールと統合します。 127以上の言語をサポートし、手書き文字や特定のスクリプトに特化したバリエーションを含め、ライブラリは多言語ドキュメントを優雅に処理します。 ビルド中にパッケージをリストアすることで、必要なすべての言語ファイルが自動的に配置されます。

Tesseractプラットフォームの課題

Tesseract .NETラッパー実装は、特定のプラットフォーム用にコンパイルされたネイティブC#++ライブラリに依存しています。 DLLまたは共有ライブラリファイルは、Windows、Linux、macOS、および32ビットアーキテクチャと64ビットアーキテクチャで異なります。 Linuxにデプロイするには、Windowsとは異なるバイナリが必要で、デプロイ環境で適切なライブラリパスを設定する必要があります。

クラウドのデプロイメントには、さらなる課題があります。 Azure App Services、AWS Lambda、コンテナ環境では、ネイティブのTesseractが必要とするVisual C#++ランタイムがない場合があります。 これらの依存関係をDockerコンテナやサーバーレス機能にインストールすると、ビルドパイプラインが複雑になり、イメージサイズが大きくなります。 多くの.NET開発者は、ネイティブの依存関係が適切にパッケージ化されていない場合、ローカルのVisual Studioでの開発では完璧に動作していたデプロイの失敗に遭遇します。

IronOCRのクロスプラットフォーム一貫性

IronOCRは純粋なマネージド.NETライブラリとして動作し、外部ネイティブの依存関係はありません。 同じNuGetパッケージは、Windows、macOS、Linux、Azure App Services、AWS Lambda、およびDocker コンテナで一貫して動作します。 このアーキテクチャは、CI/CDパイプラインを劇的に簡素化し、プラットフォーム固有の設定を調整することなく、ローカルでビルドして本番環境に確実にデプロイできるようにします。 一度デプロイメントを作成すれば、どこでも実行できます。

テッセラクトの結果へのアクセス

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

Imports System

Using page = engine.Process(img)
    ' Basic OCR text output
    Dim text As String = page.Text
    ' Confidence score (mean across all recognized text)
    Dim confidence As Single = page.GetMeanConfidence()
End Using

Tesseractは、認識されたテキストと総合的な信頼度スコアを提供します。 個々の単語の位置や文字ごとの確信度のような、より細かいデータにアクセスするには、追加のAPI呼び出しと、結果構造による慎重な反復が必要です。

信頼スコア付きIronOCR構造化結果

var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

Dim result = ocr.Read(input)
' Full text extraction
Console.WriteLine(result.Text)
' Iterate through structured elements with confidence scores
For Each page In result.Pages
    For Each paragraph In page.Paragraphs
        Console.WriteLine($"Paragraph: {paragraph.Text}")
        Console.WriteLine($"Confidence: {paragraph.Confidence}%")
    Next
Next

OcrResultクラスは、ページ、段落、行、単語、および個々の文字への階層的なアクセスを提供します。 各要素にはバウンディングボックスの座標と信頼度スコアが含まれており、.NETアプリケーションで認識されたテキスト領域を強調表示したり、特定の領域からコンテンツを抽出したり、認識品質を検証したり、信頼度の低い部分にフラグを付けて人間のレビューに出したりすることができます。 IronOCRは、アーカイブや検索インデックスのために、検索可能なPDFやhOCR/HTMLフォーマットに結果を直接エクスポートすることもできます。

出力

Using Tesseract C# vs IronOCR: The Complete Guide to OCR Implementation in .NET：画像7 - 信頼度スコアの出力

こんなときにTesseractをご検討ください。

• 予算の制約上、商用ライセンスは禁止されており、オープンソースが必須です。
• クリーンで高品質なデジタル文書（生まれながらのデジタルPDF文書、スクリーンショット）のみを処理します。
• 開発チームは、C# InterOpとネイティブライブラリ管理の経験があります。
• プロジェクトの要件は、高度な機能を含まない基本的なOCRテキスト抽出に限定されます。
• デプロイ対象は、依存関係が管理された環境です。

いつIronOCRを選びますか?

• OCRの精度がビジネス成果に影響する、本番.NETアプリの構築
• スキャン、写真、ファックス、モバイルキャプチャなど、さまざまな品質のドキュメントを処理します。
• 一貫性が重要な複数のプラットフォームやクラウド環境への展開
• 定期的なバグフィックスと機能アップデートを伴うプロフェッショナルなテクニカルサポートが必要。
• .NETの開発スケジュールでは、コンフィギュレーションやプリプロセッシングの課題に取り組むことができません。
• 要件には、PDFファイル処理、バーコード/QR読み取り、または構造化結果データが含まれます。