Tesseract C# とIronOCR: .NETではどちらの OCR ライブラリを使用すべきでしょうか?

Visual StudioにTesseractをインストールする

PM> Install-Package TesseractOCR

PM> Install-Package TesseractOCR

インストール後、 GitHub上のtessdataリポジトリから適切なトレーニングデータをダウンロードし、 .NETプロジェクト内のファイルを構成してください。 tessdataフォルダは実行時にアクセスできる必要があり、通常はこのフォルダへのフルパスを設定するか、実行可能ファイルと同じ出力ディレクトリに配置する必要があります。 .NETラッパーと言語ファイル間のバージョンの不一致は、初期化の失敗を頻繁に引き起こし、Stack Overflowのディスカッションで開発者のフラストレーションの一般的な原因となっています。

また、Tesseractのネイティブ・バイナリは、アプリケーションを実行するマシンにVisual C++ Redistributableがインストールされている必要があります。 この依存関係は、特にコンテナ化された環境や、管理上のインストールが容易ではないクライアントマシンでは、デプロイメントを複雑にする可能性があります。

IronOCRのインストール

PM> Install-Package IronOCR

PM> Install-Package IronOCR

IronOCRは、すべてを単一のマネージド.NETパッケージにバンドルすることで、設定の複雑さを排除します。 C#ランタイム、tessdataフォルダ管理、プラットフォーム固有のネイティブDLLを追跡する必要はありません。 言語パックは必要に応じて個別のNuGetパッケージとしてインストールされ、標準の.NET依存関係管理と統合されます。 Iron Softwareはこのアプローチを、インフラストラクチャの煩雑さを伴わずにOCR機能を必要とする.NET開発者向けに特別に設計しました。 IronOCRの利用開始方法について詳しくはこちらをご覧ください。

Tesseractによるテキスト抽出の例

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());

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。 初期化に関する問題に遭遇した開発者向けに、 IronOCRのトラブルシューティングガイドでは、Tesseractでよく発生する問題とその解決策について解説しています。

IronOCRテキスト抽出の例

以下のコードは、 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);

IronTesseract クラスは、メモリ使用量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、フォーマット変換の必要なく、ファイル パス、バイト配列、ストリーム、または System.Drawing オブジェクトから画像ファイルを直接受け入れます。 結果として得られる result オブジェクトには、信頼度スコア、単語の位置、段落境界などの構造化データが含まれており、これらはすべて高度な文書処理パイプラインを構築する際に役立ちます。 より高度な機能については、 画像からテキストへの変換に関するチュートリアル全文をご覧ください。

入力

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。 この作業量を過小評価するチームは、Tesseractの"無料"コストが、数週間にわたる前処理作業によって相殺されることに気づくことが多い。

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();  // Correct 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();  // Correct skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

IronOCRは、一般的な文書品質の問題を自動的に解決する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、テキスト行の角度を検出し、補正回転を適用することで、歪みを補正します。 DeNoise() メソッドは、スキャンによるアーティファクトやデジタルノイズを除去し、テキスト認識を混乱させる可能性のある問題を解決します。 その他のフィルターには、低 DPI 画像を改善する EnhanceResolution()、ぼやけた文書に対処する Sharpen()、色あせたテキストを復元する Contrast()、暗い背景に明るい文字の文書を処理する Invert() があります。 これらの内蔵画像前処理ツールにより、ほとんどの文書処理シナリオにおいて、外部画像処理ライブラリは不要になります。

入力

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、特に Web アプリケーションやデータベースのブロブ ストレージからの画像を扱う場合、System.Drawing オブジェクトや Stream ソースを Tesseract エンジンが期待する形式に変換する際の問題に頻繁に遭遇します。

複数フレームのGIF画像や複数ページのTIFF画像では、フレームを一つずつ手動で処理する必要があり、本来は単純なテキスト抽出作業であるはずの作業に、定型的なコードを追加しなければならない。

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);

IronOCRは、JPG、PNG、GIF、TIFF、BMP、WebPなど、主要な画像フォーマットすべてに対応しています。このライブラリは、複数ページのTIFFおよびGIF画像を自動的に処理し、各フレームを個別のページとして扱います。 文書のデジタル化において、図書館はPDFファイルを直接処理し、別途PDF処理ライブラリや画像変換の手順を必要とせずに、スキャンされたページからテキストを抽出します。

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);

各言語では、 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は、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、すべての展開先の出力ディレクトリに正しいバージョンが存在することを確認することは、運用上の複雑さを増大させ、言語要件が増えるにつれてその複雑さはさらに増します。

IronOCR言語パックの設定

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);

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依存関係管理ツールと統合します。 手書き文字や特定の文字体系に対応した特殊なバリエーションを含む127以上の言語をサポートするこのライブラリは、多言語文書をスムーズに処理します。 ビルド中のパッケージ復元により、必要なすべての言語ファイルが自動的にデプロイされるため、手動でのファイル管理やバージョン管理に関する心配は不要です。

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開発環境では問題なく動作していたにもかかわらず、デプロイ時に失敗するという事態に遭遇します。

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 コンテナ間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。

Tesseract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();

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。 APIインターフェースは機能的には問題ないものの、本番環境のドキュメントパイプラインで一般的に必要とされる階層的な結果モデルが欠けている。

信頼スコア付きIronOCR構造化結果

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
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}%");
    }
}

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
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}%");
    }
}

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。 各要素には境界ボックスの座標と信頼度スコアが含まれており、 .NETアプリケーションは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、信頼度の低いセクションにフラグを付けて人間のレビューを依頼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作成のために、検索結果を検索可能なPDF形式またはhOCR/HTML形式に直接エクスポートすることもできます。

出力

Tesseractが最適な選択肢となる場合

Tesseractは、そのトレードオフが許容範囲内であるような、特定のシナリオにおいてはうまく機能します。

予算上の制約から、オープンソースのApache 2.0ライセンスのソリューションが必要となる。

• クリーンで高品質なデジタル文書（デジタルネイティブのPDF、スクリーンショットなど）のみを処理します。 開発チームはC++の相互運用とネイティブライブラリ管理の経験を有しています。
• 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。
• ターゲットデプロイメントは、依存関係を一貫して管理できる制御された環境です。

IronOCRがより良い結果をもたらす場合

IronOCRは、本番環境のワークロードにおいてより優れた選択肢です。

• OCRの精度がビジネス成果に影響を与える本番環境向け.NETアプリケーションの構築
• 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。 設定や前処理の課題に取り組む時間的余裕のない開発スケジュール
• 要件には、 PDFファイルの処理、バーコードおよびQRコードの読み取り、または構造化された結果データが含まれます。

これまでTesseractベースのパイプラインを構築してきたチームで、移行を検討している場合は、 IronOCR移行ガイドで主要なAPIの違いと移行手順について説明しています。