C#オープンソースのOCR（開発者向けリスト）

Tesseract

最も有名なオープンソースのOCRエンジンはTesseractと呼ばれ、元々はヒューレット・パッカードによって作成されました。 2006年以来、Googleがこのフリーソフトウェアプロジェクトを支援しており、Apacheライセンスの下でリリースされています。

最も正確なオープンソースで無料のシステムの1つがTesseract OCRエンジンです。Tesseractの最新の安定バージョン4.1.1は、LSTMに基づいており、116の言語をサポートしています。

Tesseractは独自の組み込みインターフェースを持たないため、コマンドラインインターフェースから実行する際には別途GUI（グラフィカルユーザーインターフェース）のサポートが必要です。 ニューラルネットワークを利用して新しい情報を学習でき、高度な画像前処理パイプラインを備えています。Tesseract .NET SDKは、OCR機能を.NETアプリケーションに追加するための最も効果的な方法の1つで、テキスト認識機能を提供するための最良のソリューションの1つです。 Tesseractは間違いなく市場で最良のOCRライブラリです。

GOCR

GNU Public Licenseを用いて作成されたOCR（光学文字認識）プログラムとしてGOCRが知られています。 テキストファイルをスキャンされたドキュメントの画像に戻します。 プログラムを開始し、SF上の開発チームを管理した後、Joerg Schulenburgは今日（非常に）低い時間ベースでパッケージを扱い続けています。

GOCRは、いくつかのフロントエンドと一緒に使用できるため、他のオペレーティングシステム、ネットワークアプリケーション、アーキテクチャへの移植が比較的簡単です。 さまざまな画像ファイルタイプを読み取り、2010年までその品質は一貫して向上しました。

GOCRによれば、単一のコラムサンセリフフォントで高さ20〜60ピクセルのものを扱うことができます。 ラテン文字以外のアルファベットで書かれたテキスト、セリフフォント、重なり合う文字、さまざまな書体、ノイズのある写真、過度の歪み角度に問題があると報告しています。 GOCRはバーコードの翻訳も可能です。

CuneiForm

CuneiFormは、現在では"Cognitive OpenOCR"としても知られる、無料かつオープンソースの技術であり、組み込みの出力とデータベースを備えています。 23の異なる言語をカバーし、テキスト形式のスキャン、ドキュメントレイアウトの分析、および識別といったタスクも実行します。

Cognitive TechnologiesがOpenOCRのライセンスを開発し、それはフリーウェアおよびBSDです。 クロスプラットフォームでの利用をサポートしますが、Linuxユーザーにはグラフィカルインターフェースが提供されていません。

任意のDot NET Framework 2.0以降のアプリケーションにおいて、文字認識作業を簡素化するためにラッパーライブラリPuma Dot NETが使用されます。 認識の質を向上させるためにデータ処理中に辞書チェックを行います。

CuneiFormは、電子コピーの紙文書や画像ファイルを、その構造や元のドキュメントフォントを損なうことなく編集可能な形式に自動または半自動で変換するように設計された技術です。 システムはバッチ処理と一度に1つのドキュメントを処理する2つの部分から成り立っており、さらにシステムはロシア語と英語の組み合わせをサポートしています。 2009年にAndrei Borovskyが作成したブランチのみが他のハイブリッド言語の認識をサポートしています。 各言語がdatファイルと関連付けられているため、システムに他の言語を認識させることは難しいです。その構造および作成プロセスは開発者によって公開されていません。

Kraken

Krakenは、Ocropusの問題に他の機能へ影響を与えず対処するために開発されました。 CLSTMニューラルネットワークライブラリを利用し、以前のプロジェクトから得た貴重な経験と新しいデータを活用しています。 異なるプラットフォームで効果的に機能するには、特定の外部ライブラリの使用が必要です。 保存された情報を活用して、潜在的なデータ検証問題に関するより正確な予測ができるようになります。 さらに、その作業方法は、新しいモデルの容易な展開とトレーニングを可能にします。

IronOCR

標準的なTesseractライブラリとは対照的に、IronOCRはTesseractを拡張し、より高い精度、向上したパフォーマンス、強化された安定性を持つネイティブC# OCRライブラリを提供します。 IronOCRは.NETプログラムおよびウェブサイトで使用してPDFや画像からテキストを抽出できます。 多くの外国語をサポートし、プレーンテキストまたは構造化データ出力を生成できます。 埋め込まれたテキストのあるバーコードや画像のスキャンが可能です。 ライブラリはコンソール、ウェブ、MVC、およびデスクトップで開発された.NETアプリケーションで利用できます。商業展開用のライセンスプロセスに関して開発チームは直接サポートを提供します。 IronOCRは最新バージョンのVisual Studioと互換性があります。

using IronOcr;

// Instantiate an IronTesseract object to utilize its OCR capabilities
var Ocr = new IronTesseract();

// Set the language to English for better accuracy
Ocr.Language = OcrLanguage.EnglishBest;

// Optionally specify the Tesseract version to ensure compatibility
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create an OcrInput object to add images for OCR processing
using (var Input = new OcrInput())
{
    // Add the image to be processed; specify the image's path
    Input.AddImage(@"Demo.png");

    // Perform the OCR and store the result
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);

    // Pause the console to keep it open
    Console.ReadKey();
}

using IronOcr;

// Instantiate an IronTesseract object to utilize its OCR capabilities
var Ocr = new IronTesseract();

// Set the language to English for better accuracy
Ocr.Language = OcrLanguage.EnglishBest;

// Optionally specify the Tesseract version to ensure compatibility
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create an OcrInput object to add images for OCR processing
using (var Input = new OcrInput())
{
    // Add the image to be processed; specify the image's path
    Input.AddImage(@"Demo.png");

    // Perform the OCR and store the result
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);

    // Pause the console to keep it open
    Console.ReadKey();
}

Imports IronOcr

' Instantiate an IronTesseract object to utilize its OCR capabilities
Private Ocr = New IronTesseract()

' Set the language to English for better accuracy
Ocr.Language = OcrLanguage.EnglishBest

' Optionally specify the Tesseract version to ensure compatibility
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5

' Create an OcrInput object to add images for OCR processing
Using Input = New OcrInput()
	' Add the image to be processed; specify the image's path
	Input.AddImage("Demo.png")

	' Perform the OCR and store the result
	Dim Result = Ocr.Read(Input)

	' Output the extracted text to the console
	Console.WriteLine(Result.Text)

	' Pause the console to keep it open
	Console.ReadKey()
End Using

結論

OCRオープンソースツールは、それらのソースコードを使用して独自のプログラムを構築することを可能にします。 しかし、いくつかのツールには、コーディングの問題が発生した場合のサポートを提供する公式ライブラリや専属チームがありません。 Tesseractのドキュメントには一般的な使用シナリオのためのサンプルコードやチュートリアルが不足しており、初心者がコードやライブラリを理解するのが難しいです。

IronOCRは、.NET Framework Standard 2、.NET Framework 4.5、.NET Core 2、3、5などのさまざまな.NETプロジェクトをサポートしており、Mono、Xamarin、Azureのような新しい技術とも互換性があります。 IronOCR技術を活用することで、Tesseractの結果を向上させ、誤ってスキャンされたドキュメントや画像を修正することが可能です。 複雑なTesseract辞書システムは、NuGetパッケージを通じて管理されています。 Iron OCRライブラリを活用してOCRツールを開発します。

IronOCRを使用すれば、追加の設定なしでプログラムを利用でき、PDFファイル、マルチフレームTIFF、一般的な画像フォーマットをすべてサポートします。 また、バーコード認識機能を提供しており、画像からバーコードデータを抽出し、バーコードの値を読み取ることができます。 IronOCRは費用対効果の高い開発版を無料トライアルで提供し、ライフタイムライセンスがIronOCRバンドルに追加費用なしで含まれています。IronOCRバンドルは一度の支払いで複数のプラットフォームをカバーします。 IronOCRの価格について詳しくは、このページを参照してください。