Tesseract OCRでの多言語対応（開発者向けチュートリアル）

複数言語でTesseract OCRを使用する方法

1. 最初に、.NETプロジェクト内にIronOCR/Tesseract NuGetパッケージをインストールします。
2. OCR エンジンを初期化する IronTesseract クラスのインスタンスを作成します。
3. 言語プロパティは複数の言語をサポートします。
4. 処理する画像ファイルのパスを指定して、OcrInput オブジェクトを作成します。
5. ここで、IronTesseract インスタンスの Read 関数を使用して、入力画像に対して OCR を実行します。
6. 結果を取り出し、認識されたテキストを表示します。

Tesseractとは何ですか？

Tesseractは、ヒューレット・パッカードによって開発され、その後Googleによって維持されているオープンな光学文字認識エンジンです。 その高い精度と適応性で有名で、最も際立ったOCRの一つとなっています。 Tesseractは、スクリプトの検出をサポートし、多くの言語でテキストを認識し、複数の言語に対応できます； したがって、一般的に多言語の文書やサポートを要するプロジェクトに使用されます。

Tesseract OCRエンジンは、画像の単一ピクセルに含まれる情報に基づいて動作し、最終的にマシン可読なテキストに変換される文字、単語、文を描くパターンをたどります。 TIFF、JPEG、PNGなどの多くの画像ファイルタイプをサポートしているため、Tesseractはプレーンテキスト、HTML、検索可能なPDF形式でテキストを生成できます。

Tesseractの大きな利点の一つに、特定のフォントや追加された新しい言語に対して感度を持つように訓練できることがあります。 また、シンプルなテキスト抽出から歴史的文書のデジタイズ、請求書処理、視覚障害者のための読み上げを可能にするアクセシビリティソフトウェアといった複雑な作業に至るまで、さまざまなアプリケーションで頻繁に使用されます。

Visual Studioで新しいプロジェクトを作成する

プログラムのVisual Studioを開きます。 プログラムを開くと、"ファイルメニュー"に進みます。"ファイルメニュー"には"新しいプロジェクト"というオプションがあります。"新しいプロジェクト"では、"コンソールアプリケーション"をクリックします。この投稿では、コンソールプログラムを使用してPDF文書を作成します。

提供されたテキストボックスにプロジェクト名とファイルの場所を入力します。 次に、以下に示すように、"作成"ボタンをクリックし、必要な.NET Frameworkを選択します。

アプリケーションバージョンが選択されたので、Visual Studioプロジェクトはその構造を作ります。 コンソール、Windows、または Web バージョンを選択した場合は、コードを追加してアプリケーションをビルド/実行するための program.cs ファイルが開きます。

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

IronOCRとは何ですか？

IronOCRは.NETに焦点を当てた専用のOCRライブラリです。 それは、.NETアプリケーションにOCR機能を追加し、画像、スキャンした文書、PDF、およびその他すべての視覚メディアからテキストを抽出することを可能にします。 非常に成功したTesseractエンジンによる最先端のテキスト認識の推進に加えて、IronOCRはエンタープライズアプリケーションでの使用に適したいくつかの追加の機能を含んでいます。

IronOCRは、自動言語検出のサポートと同時に複数の言語を含むドキュメントの処理をサポートしている120以上の言語に対応しています。 これにより、IronOCRは非常に多用途で、特に多言語ドキュメントの処理が非常に重要な場所での展開に適しています。

一方で、IronOCRは使用と統合の簡単さを強調しています。 その使いやすいAPIは、詳細なドキュメントと、どの開発者もすぐに立ち上げて走り始められる一連のサンプルプロジェクトによって補完されています。 多くの画像形式とPDF文書をサポートしています。 内蔵の高度な画像前処理、ノイズリダクション、およびエラー補正機能により、OCRの精度とパフォーマンスが向上します。

IronOCRのインストール

Visual StudioのNuGetパッケージ管理ツールを使用して、パッケージを直接ソリューションにインストールできます。 以下のスナップショットは、NuGetパッケージマネージャを開く方法を示しています。

それには、NuGetウェブサイトからのパッケージのリストを表示する組み込みの検索ボックスがあります。以下のスクリーンショットで示されているように、IronOCRフレーズをパッケージマネージャで検索します：

検索結果には、潜在的なソリューションのリストが提供されることがあります。 必要なソリューションパッケージを選択してインストールする必要があります。

また、例のために以下のように、必要なTesseract言語パックを1つずつインストールします。

この例では、スペイン語、フランス語、英語の言語コードを使用します。 英語はデフォルトの言語パックであり、インストールは必要ありません。

NuGetパッケージからスペイン語をインストールします。

IronOCRでTesseractエンジンと複数の言語を読む

以下の例は、C#およびIronOCRとTesseractエンジンを使用して画像から複数の言語のテキストを認識する方法を示しています。

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

上記のC#プログラムは、IronOCRライブラリを使用して、英語、スペイン語、フランス語の文字を含む画像で光学文字認識を実行します。 プログラムは、 IronOCRに必要な名前空間をインポートし、アプリケーションのエントリ ポイントである Main メソッドを持つ Program という名前のクラスを宣言することから始まります。

Main メソッドでは、IronTesseract クラスのインスタンスが作成され、変数 Ocr に割り当てられます。 Language プロパティは、OcrLanguage.Spanish、および OcrLanguage.French を組み合わせて、英語、スペイン語、およびフランス語を含むように設定されています。 これにより、OCRエンジンがこれら三つの言語のいずれかでテキストを認識および処理できるようになります。

入力画像ファイルへのパスは、inputFile 変数を使用して設定されます。 次に、適切なリソース管理と破棄のために、イメージは using クラスのインスタンスを使用して OcrInput ステートメント内にロードされます。 最後に、IronTesseract インスタンスの Read メソッドが入力オブジェクトとともに呼び出され、画像の OCR が実行されます。

認識されたテキストは、Console.WriteLine メソッドを使用してコンソールに出力されます。 このプログラムは、IronOCRの多言語機能を活用して、異なる言語の言葉を含む画像からテキストを抽出する効果的な方法を示しています。

結論

TesseractとIronOCRはどちらも強力なOCR技術ですが、それぞれ独自の能力と強みを持っています。 オープンソースであるTesseractは、無料のソリューションを求めている誰にとっても信頼性が高く、活発なコミュニティがあり継続的に改善されています。

対照的に、IronOCRは.NET Framework用の専用ライブラリで、より良いユーザーエクスペリエンスを提供し、ほとんどの画像ファイルタイプをサポートします。また、低品質な画像コンテンツでも優れたテキスト認識を行います。 IronOCRは多くの言語を完全にサポートし、よりユーザーフレンドリーになる追加機能を備えています。

IronOCRはコスト効果の高い開発版を提供し、購入時には生涯ライセンスを提供します。 IronOCRパッケージの開始価格は$liteLicenseで、複数システムの一回限りの費用で優れた価値と24時間年中無休の技術者サポートをライセンスされたユーザーに提供します。 詳細は、IronOCRウェブサイトをご覧ください。