Tesseractを使用して画像からテキストを取得する方法

1.1. Tesseractのインストール

NuGetパッケージマネージャーコンソールで次のコマンドを入力します。

Install-Package Tesseract

または、NuGetパッケージマネージャーを介してパッケージをダウンロードします。

NuGetパッケージマネージャーでTesseractパッケージをインストール

NuGetパッケージのインストール後、プロジェクトフォルダに言語ファイルを手動でインストールして保存する必要があります。 これはこの特定のライブラリの短所と見なされるかもしれません。

言語ファイルをダウンロードするには、次のウェブサイトを訪問してください。 ダウンロード後、ファイルを解凍し、プロジェクトのデバッグフォルダに"tessdata"フォルダを追加します。

1.2. Tesseractの使用 (クイックスタート)

指定された画像でのOCRは以下のソースコードを使用して実行できます。

using Tesseract;

class Program
{
    static void Main()
    {
        // Initialize Tesseract engine with English language data
        using var ocrEngine = new TesseractEngine(@"tessdata", "eng", EngineMode.Default);

        // Load the image to be processed
        using var img = Pix.LoadFromFile("Demo.png");

        // Process the image to extract text
        using var res = ocrEngine.Process(img);

        // Output the recognized text
        Console.WriteLine(res.GetText());
        Console.ReadKey();
    }
}

using Tesseract;

class Program
{
    static void Main()
    {
        // Initialize Tesseract engine with English language data
        using var ocrEngine = new TesseractEngine(@"tessdata", "eng", EngineMode.Default);

        // Load the image to be processed
        using var img = Pix.LoadFromFile("Demo.png");

        // Process the image to extract text
        using var res = ocrEngine.Process(img);

        // Output the recognized text
        Console.WriteLine(res.GetText());
        Console.ReadKey();
    }
}

Imports Tesseract

Friend Class Program
	Shared Sub Main()
		' Initialize Tesseract engine with English language data
		Dim ocrEngine = New TesseractEngine("tessdata", "eng", EngineMode.Default)

		' Load the image to be processed
		Dim img = Pix.LoadFromFile("Demo.png")

		' Process the image to extract text
		Dim res = ocrEngine.Process(img)

		' Output the recognized text
		Console.WriteLine(res.GetText())
		Console.ReadKey()
	End Sub
End Class

• まず、TesseractEngineオブジェクトを作成し、エンジンに言語データを読み込みます。
• 次に、Pix.LoadFromFileを使用して所望の画像ファイルを読み込みます。
• 画像はTesseractEngineに渡され、Processメソッドを使用してテキストを抽出します。
• 認識されたテキストはGetTextメソッドで取得し、コンソールに出力します。

画像から抽出されたテキスト

1.3 Tesseractに関する考慮事項

1. Tesseractはバージョン3.00から出力テキストのフォーマット、OCR位置データ、およびページレイアウト分析をサポートしています。
2. TesseractはWindows、Linux、MacOSで使用可能ですが、限定的な開発サポートのため、主にWindowsとUbuntuで意図した通りに動作することが確認されています。
3. Tesseractはモノスペースと比例空間のテキストを区別できます。
4. OCRopusのようなフロントエンドを利用することで、Tesseractはバックエンドとして最適であり、レイアウト分析のようなより難しいOCRジョブに利用できます。
5. Tesseractのいくつかの欠点：
   • 最新のビルドはWindowsでのコンパイルを前提に設計されていない
   • TesseractのC# APIラッパーは頻繁にメンテナンスされておらず、新しいリリースとは数年遅れています

C#でTesseractについてもっと学ぶにはTesseractチュートリアルをご覧ください。

2.1. IronOCRのインストール

NuGetパッケージマネージャーコンソールに次のコマンドを入力します。

Install-Package IronOcr

また、NuGetパッケージマネージャーを使用してIronOCRライブラリと他の言語用の追加パッケージをインストールできます。使いやすく便利です。

NuGetパッケージマネージャーを介してIronOcrと言語パッケージをインストール

2.2. IronOCRの使用

以下は、指定された画像からテキストを認識するサンプルコードです。

using IronOcr;

class Program
{
    static void Main()
    {
        // Create an IronTesseract instance with predefined settings
        var ocr = new IronTesseract()
        {
            Language = OcrLanguage.EnglishBest,
            Configuration = { TesseractVersion = TesseractVersion.Tesseract5 }
        };

        // Create an OcrInput instance for image processing
        using var input = new OcrInput();

        // Load the image to be processed
        input.AddImage("Demo.png");

        // Process the image and extract text
        var result = ocr.Read(input);

        // Output the recognized text
        Console.WriteLine(result.Text);
        Console.ReadKey();
    }
}

using IronOcr;

class Program
{
    static void Main()
    {
        // Create an IronTesseract instance with predefined settings
        var ocr = new IronTesseract()
        {
            Language = OcrLanguage.EnglishBest,
            Configuration = { TesseractVersion = TesseractVersion.Tesseract5 }
        };

        // Create an OcrInput instance for image processing
        using var input = new OcrInput();

        // Load the image to be processed
        input.AddImage("Demo.png");

        // Process the image and extract text
        var result = ocr.Read(input);

        // Output the recognized text
        Console.WriteLine(result.Text);
        Console.ReadKey();
    }
}

Imports IronOcr

Friend Class Program
	Shared Sub Main()
		' Create an IronTesseract instance with predefined settings
		Dim ocr = New IronTesseract() With {
			.Language = OcrLanguage.EnglishBest,
			.Configuration = { TesseractVersion = TesseractVersion.Tesseract5 }
		}

		' Create an OcrInput instance for image processing
		Dim input = New OcrInput()

		' Load the image to be processed
		input.AddImage("Demo.png")

		' Process the image and extract text
		Dim result = ocr.Read(input)

		' Output the recognized text
		Console.WriteLine(result.Text)
		Console.ReadKey()
	End Sub
End Class

• このコードは、言語とTesseractバージョンを設定するIronTesseractオブジェクトを初期化します。
• 次に、画像ファイルを読み込むためAddImageメソッドを使用してOcrInputオブジェクトを作成します。
• IronTesseractのReadメソッドが画像を処理し、抽出されたテキストがコンソールに出力されます。

IronOCRライブラリを使用した抽出テキスト出力

2.3 IronOCRに関する考慮事項

1. IronOCRはTesseractライブラリの拡張であり、より安定性が高く精度が向上しています。
2. IronOCRはPDFや写真からテキストコンテンツを読むことができます。 また、20種以上の異なるバーコードおよびQRコードを読み取ることができます。
3. 出力はプレーンテキスト、構造化データ、バーコード、QRコードとしてレンダリングすることができます。
4. このライブラリは世界125カ国語を認識します。
5. IronOCRは全ての.NET環境で柔軟に動作し（コンソール、Web、デスクトップなど）、Mono、Xamarin、Azure、MAUIなどの最新のモバイルフレームワークもサポートしています。
6. IronOCRは無料試用を提供し、開発エディションはリーズナブルな価格です。 ライセンスについてさらに学びましょう。

詳細なIronOCRチュートリアルについては、この記事を参照して画像からC#でテキストを読み取ってください。