C#でOCRを使用した文字認識の作成方法

改良されたTesseract OCRエンジン

IronOCR は、精度と速度の両方を強化することで、広く使用されている Tesseract OCR エンジンの機能を向上させます。 これは、画像、PDF、さまざまなドキュメント形式など、さまざまなソースからテキストを抽出するための強力なソリューションとして機能します。

幅広い言語に対応

IronOCR は 125 以上の言語をサポートしており、多言語要件の処理に優れているため、言語の多様性が要求されるアプリケーションに最適です。

多彩な出力オプション

抽出されたテキストは、プレーンテキストまたは構造化データとして簡単に出力できるため、後続の処理パイプラインにシームレスに統合できます。 さらに、IronOCR を使用すると、画像入力から直接検索可能な PDF を作成できます。

クロスプラットフォーム適応性

IronOCR は C#、F#、VB.NET との互換性を考慮して設計されており、バージョン 8、7、6、Core、Standard、Framework など、さまざまな .NET 環境でシームレスに動作します。

Tesseract 5を活用する

IronOCR は、.NET エコシステム内で最適なパフォーマンスが得られるように細かく調整された Tesseract 5 のパワーを活用します。

ゾーンベースのOCR機能

IronOCR を使用すると、ユーザーはドキュメント内の特定のゾーンを正確に定義し、ターゲットを絞った OCR 処理が可能になります。 この機能により、最も必要な場所に処理能力を集中させることで、精度と効率が向上します。

画像前処理ツール

このライブラリは、歪み補正やノイズ低減などの画像前処理機能スイートを提供します。 これらのツールは、不完全なソース イメージを処理する場合でも優れた結果を保証し、最終的には全体的な OCR エクスペリエンスを向上させます。

ここでは、IronOCR を利用して画像からテキストを読み取るデモ アプリケーションを開発します。

コードの説明

1. IronTesseract インスタンス:まず、OCR 操作を実行するための IronTesseract のインスタンスを作成します。 2.画像の読み込み:サンプル画像を OcrInput オブジェクトに読み込みます。 3.テキストの読み取り:画像内のテキストが読み取られ、結果がコンソールに出力されます。

出力

C#で文字認識を作成する方法: 図7 - IronOCRを使用して抽出されたテキスト

言語の選択

Language プロパティを使用して、OCR の言語を指定できます。 たとえば、言語を英語に設定するには、次のようにします。

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

IronTesseract ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.English

ページ分割モード

PageSegmentationMode は、Tesseract が入力画像をどのようにセグメント化するかを決定します。 オプションには、AutoOsd、SingleBlock、SingleLine などがあります。 例えば：

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd

カスタム Tesseract 変数

特定の変数を設定することで、Tesseract を微調整できます。 たとえば、並列化を無効にするには：

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables["tessedit_parallelize"] = false;

ocr.Configuration.TesseractVariables("tessedit_parallelize") = False

文字のホワイトリストとブラックリスト

WhiteListCharacters と BlackListCharacters を使用して、Tesseract が認識する文字を制御します。 例えば：

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";
ocr.Configuration.BlackListCharacters = "`ë|^";

ocr.Configuration.WhiteListCharacters = "ABCDEFGHIJKLMNOPQRSTUVWXYZ"
ocr.Configuration.BlackListCharacters = "`ë|^"

追加の設定変数

ニーズに応じて動作をカスタマイズするには、他の Tesseract 構成変数を調べてください。 例えば：

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables["classify_num_cp_levels"] = 3;
ocr.Configuration.TesseractVariables["textord_debug_tabfind"] = 0;
// ... (more variables)

ocr.Configuration.TesseractVariables("classify_num_cp_levels") = 3
ocr.Configuration.TesseractVariables("textord_debug_tabfind") = 0
' ... (more variables)

では、高度な設定を使って同じ画像をデコードしてみましょう。

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

using IronOcr;

public class Program
{
    public static void Main()
    {
        Console.WriteLine("Decoding using advanced features");
        var ocrTesseract = new IronTesseract() // Create instance
        {
            Language = OcrLanguage.EnglishBest, // Configure best English language
            Configuration = new TesseractConfiguration()
            {
                ReadBarCodes = false, // Disable reading barcodes
                BlackListCharacters = "`ë|^", // Blacklisted characters
                WhiteListCharacters = null, // No whitelist, allow all
                PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
                TesseractVariables = null, // No custom variables used
            },
            MultiThreaded = false,
        };

        using var ocrInput = new OcrInput(); // Create a disposible ocr input object
        ocrInput.AddImage(@"sample1.png"); // Load the sample image
        var ocrResult = ocrTesseract.Read(ocrInput); // Read the text from the image
        Console.WriteLine(ocrResult.Text); // Output the text
    }
}

Imports IronOcr

Public Class Program
	Public Shared Sub Main()
		Console.WriteLine("Decoding using advanced features")
		Dim ocrTesseract = New IronTesseract() With {
			.Language = OcrLanguage.EnglishBest,
			.Configuration = New TesseractConfiguration() With {
				.ReadBarCodes = False,
				.BlackListCharacters = "`ë|^",
				.WhiteListCharacters = Nothing,
				.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd,
				.TesseractVariables = Nothing
			},
			.MultiThreaded = False
		}

		Dim ocrInput As New OcrInput() ' Create a disposible ocr input object
		ocrInput.AddImage("sample1.png") ' Load the sample image
		Dim ocrResult = ocrTesseract.Read(ocrInput) ' Read the text from the image
		Console.WriteLine(ocrResult.Text) ' Output the text
	End Sub
End Class

コードの説明

1. IronOCR 構成: IronTesseract (メインの IronOCR クラス) のインスタンスが作成され、変数ocrTesseractに割り当てられます。

   ocrTesseractには以下の構成設定が適用されます。

   -言語: OCR の言語を指定します (この場合は英語)。 -構成:さらにカスタマイズできる TesseractConfiguration オブジェクト:

   • ReadBarCodes : バーコードの読み取りを無効にします。
   • BlackListCharacters : ブラックリストに登録する文字 (認識しない文字) を指定します。
   • WhiteListCharacters : ホワイトリストが指定されておらず、すべての文字が許可されます。
   • PageSegmentationMode : ページ分割モードを"AutoOsd"に設定します。
   • TesseractVariables : カスタム変数は使用されませんでした。
     • MultiThreaded : マルチスレッドを無効にします。
2. OCR 入力と画像の読み込み: usingブロックは、OcrInput 型の使い捨てのocrInputオブジェクトを作成します。 画像ファイル"sample1.png"がocrInputに追加されます。 3.テキスト抽出: ocrTesseract Readメソッドが呼び出され、 ocrInputが渡されます。 結果はocrResult変数に保存されます。 4.出力:抽出されたテキストは、 Console.WriteLine(ocrResult.Text)を使用してコンソールに出力されます。

出力

C#で文字認識を作成する方法: 図8 - IronOCRを使用して抽出されたテキスト

ステップ 5: IronOCR読み取り操作のパフォーマンス チューニング。

IronOCRを使用する場合、OCR を実行する前に画像を前処理するのに役立つさまざまな画像フィルターにアクセスできます。 これらのフィルターは、画像の品質を最適化し、視認性を高め、ノイズやアーティファクトを削減します。 これらは、OCR 操作のパフォーマンスを向上させるのに役立ちます。

1.回転:

回転フィルターを使用すると、画像を時計回りに指定した角度だけ回転させることができます。反時計回りに回転させるには、負の数を使用します。

2.デスク：

デスキュー フィルターは画像の傾きを修正し、テキストが垂直になるようにします。 Tesseract は適切な方向のスキャンで最高のパフォーマンスを発揮するため、これは OCR に特に役立ちます。

3. Scale:

   スケール フィルターは、OCR 入力ページを比例的に拡大縮小します。

4. 2値化:

   2 値化フィルターは、すべてのピクセルを中間のない黒または白に変換します。 テキストと背景のコントラストが非常に低い場合に、OCR のパフォーマンスを向上させることができます。

5.グレースケール化:

ToGrayScale フィルターは、すべてのピクセルをグレースケールのシェードに変換します。 OCR の精度が大幅に向上する可能性は低いですが、速度は向上する可能性があります。

6.反転:

反転フィルターは色を反転します。白は黒になり、黒は白になります。

7.色の置き換え:

ReplaceColor フィルターは、特定のしきい値を考慮して、画像内の特定の色を別の色に置き換えます。

8.コントラスト:

コントラストフィルターは自動的にコントラストを高めます。これにより、コントラストの低いスキャンでもOCRの速度と精度が向上することがよくあります。

9.膨張と侵食：

これらの高度な形態学フィルターは、画像内のオブジェクトの境界を操作します。

• Dilate はオブジェクトの境界にピクセルを追加します。
• 侵食はオブジェクトの境界からピクセルを削除します。

10.研ぐ:

シャープニング フィルターは、ぼやけた OCR ドキュメントをシャープにし、アルファ チャネルを白に平坦化します。

11.ノイズ除去:

DeNoiseフィルターはデジタルノイズを除去します。ノイズが予想される場合に使用してください。

12.ディープクリーンバックグラウンドノイズ:

この強力なバックグラウンド ノイズ除去フィルターは、ドキュメントのバックグラウンド ノイズが非常に大きいことがわかっている場合にのみ使用してください。 クリーンなドキュメントの OCR 精度が低下する可能性があり、CPU に負荷がかかります。

13.解像度の向上:

EnhanceResolution フィルターは、低品質の画像の解像度を高めます。 自動解決処理のため、これが必要になることはあまりありません。

C# で IronOCR を使用してフィルターを適用する方法の例を次に示します。

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

var ocr = new IronTesseract();
var input = new OcrInput();
input.LoadImage("sample.png");
input.Deskew();
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Dim ocr = New IronTesseract()
Dim input = New OcrInput()
input.LoadImage("sample.png")
input.Deskew()
Dim result = ocr.Read(input)
Console.WriteLine(result.Text)

一般的なOCRアプリケーション

1.文書のデジタル化: OCR は、請求書、領収書、フォーム、契約書などのスキャンされた紙の文書をデジタル形式に変換するために広く使用されています。 このデジタル化プロセスにより、文書の保管、検索、管理が合理化され、紙の乱雑さが軽減され、効率が向上します。 2.データ抽出: OCR を使用すると、スキャンされたドキュメント、画像、PDF からテキストとデータを抽出できます。 抽出されたデータは、自動データ入力、コンテンツ分析、インデックス作成、データベースやビジネス システムへの統合に使用できます。 3.画像内のテキスト認識: OCR テクノロジーにより、印刷された文書や画像からテキストを抽出し、インデックス作成や検索を行うことができます。 この機能は、拡張現実、画像ベースの検索エンジン、翻訳サービスなど、さまざまなアプリケーションで活用されています。 4.自動ナンバープレート認識 (ALPR): ALPR システムは、交通監視、駐車管理、料金徴収、法執行アプリケーションに設置されたカメラで撮影された画像またはビデオ ストリームから OCR を使用してナンバー プレートの番号を読み取ります。 5.アクセシビリティ ソリューション: OCR は、視覚障害のある人が利用できるコンテンツを作成する上で重要な役割を果たします。 OCR は、画像や文書のテキストを音声や点字に変換することで、障害のある人が情報にアクセスできるようにします。 6.本人確認: OCR テクノロジは、パスポート、運転免許証、ID などの身分証明書のスキャンや処理などの本人確認プロセスで使用されます。 文書の真正性を検証し、本人確認の目的で関連情報を抽出するのに役立ちます。 7.銀行および金融: OCR は、銀行および金融において、小切手の読み取り、請求書の処理、既存の PDF 文書の変換、財務諸表からのデータの抽出、文書ベースのワークフローの自動化などのタスクに使用され、財務業務の精度と効率性を高めます。 8.自動翻訳: OCR テクノロジーは翻訳ツールや言語学習アプリに統合されており、印刷されたテキストをある言語から別の言語に変換します。 ユーザーはデバイスでテキストをキャプチャし、OCR によってそれを希望の言語にリアルタイムで翻訳することができます。 9.アーカイブおよび歴史文書の保存: OCR は、アーカイブ資料や歴史文書をデジタル化し、将来のアクセス、調査、分析のためにデジタル形式で保存するとともに、貴重な文化遺産の保存に活用されます。