OCR に関しては、ドキュメントからテキストを抽出する方法のオプションと柔軟性が不可欠です。 OCR の実行にはコストがかかるため、OCR を利用するアプリケーションがスケーラブルかつ効率的であることを保証するには、特定のドキュメントで使用するパフォーマンスと方法を制御できることが必要です。
IronTesseractは、開発者が調整できるさまざまなプロパティやオプションを提供します。例えば、特定の文字を除外する、文書内のバーコードも読み取る、OCRエンジンがページを解析してテキストブロックを検出する方法を指定するなど、多様な設定をIronTesseractクラスで行えます。
IronOCRとTesseract 5を使用するための5段階のガイド
var ocrTesseract = new IronTesseract();ocrTesseract.Language = OcrLanguage.EnglishBest;ocrTesseract.Configuration.ReadBarCodes = false;ocrTesseract.Configuration.BlackListCharacters = "`ë|^";ocrTesseract.Configuration.TesseractVariables["tessedit_parallelize"] = false;
IronTesseract クラスを初期化した後、すぐに修正したい重要なオプションがいくつかあります。 最初に設定するプロパティはLanguage です。 デフォルトでは、言語は英語です。 ただし、IronTesseract は最大125言語をサポートし、AddSecondaryLanguage メソッドを使用して複数言語も可能です。 詳細についてはこちらを参照してください。
次に設定したいプロパティはTesseractConfiguration クラスです。 このクラスを使用すると、Tesseract エンジンがドキュメントをスキャンして潜在的なテキスト ブロックを検出する方法を変更できます。
- まず、Tesseract Engine の言語を
OcrLanguage.EnglishBestに設定して変更します。 これは、LSTMベース("Best")の精度が高い学習データのバリアントで、Long Short-Term Memoryニューラルネットワークを使用してより正確な結果を生成します。 - その後、OCRプロセス中にバーコードを読み取らないよう、
ReadBarCodesをfalseに設定します。
また、ドキュメント上の特定の文字をブラックリストに登録することで、抽出する文字をさらにカスタマイズして指定します。 この例では、バッククォート、アクセント、またはキャレットを含むテキストの抽出を避けるために、文字をブラックリストに登録します。 最後にTesseractVariables["tessedit_parallelize"] をfalseに設定して、一時的に並列処理を無効にします。 これはTesseract Engineに直接関連する非常に強力な機能です。こちらに、OCRを実行する際にTesseract Engineの動作をさらにカスタマイズすることを可能にするTesseractVariables の完全なリストがあります。