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を使用し、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からパッケージをダウンロードしてください。

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します。

NuGetパッケージをインストールした後、言語ファイルを手動でインストールし、プロジェクトフォルダに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欠点と考えられます。

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。 ダウンロードしたら、ファイルを解凍し、"tessdata"フォルダをプロジェクトのデバッグフォルダに追加します。

1.2. Tesseractの使用 (クイックスタート)

与えられた画像でOCRを実行するには、以下のソースコードを使用します。

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();
    }
}

• まず、TesseractEngine オブジェクトを作成し、言語データをエンジンにロードする必要があります。
• 次に、Pix.LoadFromFile の助けを借りて、目的の画像ファイルが読み込まれます。
• 画像は TesseractEngine に渡され、Process メソッドを使用してテキストが抽出されます。
• 認識されたテキストは、GetText メソッドで取得され、コンソールに表示されます。

画像から抽出されたテキスト

1.3 Tesseractの考慮事項

1. Tesseractはバージョン3.00以降、出力テキストのフォーマット、OCRの位置データ、ページレイアウト解析をサポートしています。
2. TesseractはWindows、Linux、MacOSで利用可能ですが、主にWindowsとUbuntuで意図通りに動作することが確認されています。
3. Tesseractは等幅テキストと比例間隔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して、Tesseractはバックエンドとして使用するのに理想的であり、レイアウト解析などのより複雑な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上でコンパイルするように設計されていません
   • TesseractのC# APIラッパーは頻繁には更新されておらず、Tesseractの新しいリリースに数年遅れています

C#でのTesseractに関する詳細情報は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

または、他の言語用の追加パッケージとともにNuGetパッケージマネージャーからIronOCRライブラリをインストールします。これらは簡単かつ便利に使用できます。

NuGetパッケージマネージャーでIronOcrおよび言語パッケージをインストール

2.2. IronOCRの使用

以下は、与えら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();
    }
}

• このコードは、言語と Tesseract のバージョンを設定して、IronTesseract オブジェクトを初期化します。
• 次に、AddImage メソッドを使用して画像ファイルを読み込むための OcrInput オブジェクトが作成されます。
• IronTesseract の Read メソッドは画像を処理し、テキストを抽出してコンソールに出力します。

IronOCRライブラリを使用した抽出テキスト出力

2.3 IronOCRの考慮事項

1. IronOCRはTesseractライブラリの拡張版であり、より安定性が高く、高精度を提供します。
2. IronOCRは、PDFや写真からテキストコンテンツを読み取ることができます。 さらに、20を超える種類のバーコードやQRコードも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できます。
4. このライブラリは、世界中の125言語を認識します。
5. IronOCRはすべての.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は無料の試用版を提供しており、開発エディションはより低価格です。 ライセンスについて詳しくはこちらをご覧ください。

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る方法を学んでください。