IronOCR を使用して Azure OCR サービスを構築する方法 — 文字認識・テキスト抽出

Microsoft Azure 向け IronOCR 機能

IronOCR には、Microsoft Azure 上で OCR サービスを構築するための次の機能が含まれています。

• PDFを検索可能な文書に変換し、テキストを簡単に抽出できるようにします
• 画像からテキストを抽出して画像を検索可能な文書に変換します
• バーコードとQRコードを読み取ります
• 優れた精度
• ローカルで実行され、SaaS (Software as a Service) は必要ありません。SaaS は、Microsoft Azure などのクラウド プロバイダーがさまざまなアプリケーションをホストし、これらのアプリケーションをエンド ユーザーが利用できるようにするソフトウェア配布モデルです。
• 超高速

最高の OCR エンジンである Iron Software の IronOCR を使用すると、開発者が入力ドキュメントからテキストを簡単に抽出できるようになる仕組みを見てみましょう。

Azure OCRサービスを使い始めましょう

サンプルを開始するには、まず IronOCR をインストールする必要があります。

1. C# を使用して新しいコンソール アプリケーションを作成します。
2. 次のように入力するか、 NuGetパッケージの管理を選択してIronOCRを検索し、 NuGet経由でIronOCRをインストールします。 以下に示します。

3. Program.cs ファイルを次のように編集します。

   • IronOcr 名前空間をインポートし、OCR 機能を利用して PDF ファイルの内容を読み取って抽出します。
   • 画像からテキストを抽出できるように、新しい IronTesseract オブジェクトを作成します。

using IronOcr;
using System;

namespace IronOCR_Ex
{
    class Program
    {
        static void Main(string[] args)
        {
            var ocr = new IronTesseract();
            using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
            {
                var result = ocr.Read(Input); // Read PNG image File
                Console.WriteLine(result.Text); // Output extracted text to console
                Console.ReadLine();
            }
        }
    }
}

using IronOcr;
using System;

namespace IronOCR_Ex
{
    class Program
    {
        static void Main(string[] args)
        {
            var ocr = new IronTesseract();
            using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
            {
                var result = ocr.Read(Input); // Read PNG image File
                Console.WriteLine(result.Text); // Output extracted text to console
                Console.ReadLine();
            }
        }
    }
}

Imports IronOcr
Imports System

Namespace IronOCR_Ex
	Friend Class Program
		Shared Sub Main(ByVal args() As String)
			Dim ocr = New IronTesseract()
			Using Input = New OcrInput("..\Images\Purgatory.PNG")
				Dim result = ocr.Read(Input) ' Read PNG image File
				Console.WriteLine(result.Text) ' Output extracted text to console
				Console.ReadLine()
			End Using
		End Sub
	End Class
End Namespace

4. 次に、Purgatory.PNG という名前の画像を開きます。 この画像は私のお気に入りの本の一つ、ダンテの"神曲"の一部です。 写真は次の画像のようになります。

図2 - IronOCRの光学文字読み取り機能で抽出されるテキスト

5. 上記のテキストの後の出力は、上記の入力画像テキストから抽出されています。

図3 - 抽出されたテキスト

6. PDF ドキュメントでも同じことを行います。 PDF ドキュメントには、図 2 と同じ抽出対象テキストが含まれています。

唯一の違いは、画像の代わりに PDF ドキュメントを使用することです。 次のコードを入力してください:

var OCR = new IronTesseract();
using (var input = new OcrInput())
{
    input.Title = "Divine Comedy - Purgatory"; // Give title to input document 
    // Supply optional password and name of document
    input.AddPdf("..\\Documents\\Purgatorio.pdf", "dante");
    var result = OCR.Read(input); // Read the input file

    result.SaveAsSearchablePdf("SearchablePDFDocument.pdf"); 
}

var OCR = new IronTesseract();
using (var input = new OcrInput())
{
    input.Title = "Divine Comedy - Purgatory"; // Give title to input document 
    // Supply optional password and name of document
    input.AddPdf("..\\Documents\\Purgatorio.pdf", "dante");
    var result = OCR.Read(input); // Read the input file

    result.SaveAsSearchablePdf("SearchablePDFDocument.pdf"); 
}

Dim OCR = New IronTesseract()
Using input = New OcrInput()
	input.Title = "Divine Comedy - Purgatory" ' Give title to input document
	' Supply optional password and name of document
	input.AddPdf("..\Documents\Purgatorio.pdf", "dante")
	Dim result = OCR.Read(input) ' Read the input file

	result.SaveAsSearchablePdf("SearchablePDFDocument.pdf")
End Using

このコードは、画像からテキストを抽出する前のコードとほぼ同じです。

ここでは、OcrInput メソッドを使用して、現在の PDF ドキュメント (この場合は Purgatorio.pdf) を読み取ります。 PDF ファイルにタイトルやパスワードなどのメタデータがある場合は、それを取り込むこともできます。

結果は検索可能な PDF ドキュメントとして保存され、その中でテキストを検索できます。

注意: PDF ファイルが大きすぎる場合は、例外がスローされる可能性があります。

7. Windows アプリケーションでは十分です。 Microsoft Azure で OCR を使用する方法を見てみましょう。

IronOCR の優れた点は、マイクロサービス アーキテクチャの Azure 関数として Microsoft Azure と非常にうまく連携することです。 IronOCR と連携する Microsoft Azure 関数の簡単な例を以下に示します。この Microsoft Azure 関数は、画像からテキストを抽出します。

public static class OCRFunction
{
    public static HttpClient hcClient = new HttpClient();

    [FunctionName("IronOCRFunction_EX")]
    public static async Task<IActionResult> Run([HttpTrigger] HttpRequest hrRequest, ExecutionContext ecContext)
    {
        var URI = hrRequest.Query["image"];
        var saStream = await hcClient.GetStreamAsync(URI);

        var ocr = new IronTesseract();
        using (var inputOCR = new OcrInput(saStream))
        {
            var outputOCR = ocr.Read(inputOCR);
            return new OkObjectResult(outputOCR.Text);
        }
    }
} 

public static class OCRFunction
{
    public static HttpClient hcClient = new HttpClient();

    [FunctionName("IronOCRFunction_EX")]
    public static async Task<IActionResult> Run([HttpTrigger] HttpRequest hrRequest, ExecutionContext ecContext)
    {
        var URI = hrRequest.Query["image"];
        var saStream = await hcClient.GetStreamAsync(URI);

        var ocr = new IronTesseract();
        using (var inputOCR = new OcrInput(saStream))
        {
            var outputOCR = ocr.Read(inputOCR);
            return new OkObjectResult(outputOCR.Text);
        }
    }
} 

Public Module OCRFunction
	Public hcClient As New HttpClient()

	<FunctionName("IronOCRFunction_EX")>
	Public Async Function Run(<HttpTrigger> ByVal hrRequest As HttpRequest, ByVal ecContext As ExecutionContext) As Task(Of IActionResult)
		Dim URI = hrRequest.Query("image")
		Dim saStream = Await hcClient.GetStreamAsync(URI)

		Dim ocr = New IronTesseract()
		Using inputOCR = New OcrInput(saStream)
			Dim outputOCR = ocr.Read(inputOCR)
			Return New OkObjectResult(outputOCR.Text)
		End Using
	End Function
End Module

これにより、関数によって受信された画像が OCR エンジンに直接送られ、抽出されたテキストが出力されます。

Microsoft による Microsoft Azure の簡単な概要:

Microsoft Azure マイクロサービスは、各コア機能またはサービスが個別に構築および展開されるアプリケーションを構築するためのアーキテクチャ アプローチです。 マイクロサービスアーキテクチャは分散型で疎結合であるため、1つのコンポーネントに障害が発生してもアプリ全体に影響が出ることはありません。独立したコンポーネントは連携して動作し、明確に定義されたAPIコントラクトに基づいて通信します。 急速に変化するビジネス ニーズに対応し、新しい機能をより早く市場に投入するために、マイクロサービス アプリケーションを構築します。

.NET または Microsoft Azure を使用した IronOCR のその他の機能には、次のものがあります

• ほぼすべてのファイル、画像、PDF に対して OCR を実行する機能。
• OCR入力の処理速度が超高速
• 優れた精度
• バーコードとQRコードを読み取ります
• SaaS を必要とせず、ローカルで実行
• PDFや画像を検索可能な文書に変換できます
• Microsoft Cognitive Services の Azure OCR の優れた代替手段

OCRパフォーマンスを向上させる画像フィルター

• OcrInput.Rotate - 画像を時計回りに数度回転します。反時計回りに回転する場合は負の数を使用してください。
• OcrInput.Binarize() - この画像フィルターは、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。 これにより、OCR のパフォーマンスが向上します。
• OcrInput.ToGrayScale() - この画像フィルターは、すべてのピクセルをグレースケールの色合いに変換します。 これにより、OCR 速度が向上します。
• OcrInput.Contrast() - コントラストを自動的に上げます。 このフィルターは、低コントラストのスキャンにおける OCR の速度と精度を向上させます。
• OcrInput.DeNoise() - デジタルノイズを除去します。このフィルターは、入力文書にノイズが含まれることが予想される場合にのみ使用してください。
• OcrInput.Invert() - すべての色を反転します。
• OcrInput.Dilate() - 膨張により、画像内の任意のオブジェクトの境界にピクセルが追加されます。
• OcrInput.Erode() - 侵食により、オブジェクトの境界上のピクセルが削除されます。
• OcrInput.Deskew() - 画像を正しい向きで直交するように回転します。 Tesseract の斜めスキャンの許容度は 5 度程度まで下げることができるため、これは OCR に非常に役立ちます。
• OcrInput.DeepCleanBackgroundNoise() - 重度のバックグラウンドノイズの除去。
• OcrInput.EnhanceResolution - 低品質の画像の解像度を高めます。

スピードパフォーマンス

次に例を示します。

var OCR = new IronTesseract();
OCR.Configuration.BlackListCharacters = "~`$#^*_}{][|\\";
OCR.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
OCR.Configuration.TesseractVersion = TesseractVersion.Tesseract5;
OCR.Configuration.EngineMode = TesseractEngineMode.LstmOnly;
OCR.Language = OcrLanguage.EnglishFast;
using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
{
    var Result = OCR.Read(Input);
    Console.WriteLine(Result.Text);
}

var OCR = new IronTesseract();
OCR.Configuration.BlackListCharacters = "~`$#^*_}{][|\\";
OCR.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
OCR.Configuration.TesseractVersion = TesseractVersion.Tesseract5;
OCR.Configuration.EngineMode = TesseractEngineMode.LstmOnly;
OCR.Language = OcrLanguage.EnglishFast;
using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
{
    var Result = OCR.Read(Input);
    Console.WriteLine(Result.Text);
}

Dim OCR = New IronTesseract()
OCR.Configuration.BlackListCharacters = "~`$#^*_}{][|\"
OCR.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto
OCR.Configuration.TesseractVersion = TesseractVersion.Tesseract5
OCR.Configuration.EngineMode = TesseractEngineMode.LstmOnly
OCR.Language = OcrLanguage.EnglishFast
Using Input = New OcrInput("..\Images\Purgatory.PNG")
	Dim Result = OCR.Read(Input)
	Console.WriteLine(Result.Text)
End Using

価格とライセンスオプション

基本的に 3 つの有料ライセンス レベルがあり、すべて 1 回の購入で生涯ライセンスが適用される原則に基づいて機能します。

はい、開発目的であればこれらは無料です。

詳細情報

• 追加のリソースは次のリンクにあります: リソース
• APIリファレンスは、こちらにあります: APIリファレンス
• IronOCR製品のサポートについては、こちらを参照してください:サポート
• Iron Softwareへのお問い合わせ:連絡先情報

Azure やその他のシステムで OCR を実行する .NET アプリケーション向けの IronOCR 機能

• IronOCRは125か国語に対応しています。 各言語は、高速、標準、最高品質でご利用いただけます。 利用可能な言語パックには次のようなものがあります:
  • ブルガリア語
  • アルメニア語
  • クロアチア語
  • アフリカーンス語
  • デンマーク語
  • チェコ語
  • フィリピン語
  • フィンランド語
  • フランス語
  • ドイツ語
  • 他にも多くの言語パックが用意されています。ご覧になるには、次のリンクをクリックしてください。 IronOCR言語パック
• .NETですぐに使える
  • Xamarinのサポート
  • Monoのサポート
  • Microsoft Azureのサポート
  • Microsoft Azure 上の Docker のサポート
  • PDFドキュメントをサポート
  • マルチフレームTIFFをサポート
  • すべての主要な画像形式をサポート
• 次の .NET Framework がサポートされています。
  • .NET Framework 4.5以降
  • .NET Standard 2
  • .NET Core 2
  • .NET Core 3
  • .NET Core 5
• IronOCR が動作するために、Tesseract (Unicode と 100 以上の言語をサポートするオープンソースの OCR エンジン) をインストールする必要はありません。
  • Tesseract よりも精度が向上しました。
  • Tesseract よりも速度が向上しました。
• ドキュメントまたはファイルの低品質スキャンを修正します。
• ドキュメントまたはファイルの低品質の歪んだスキャンを修正します。

光学式文字認識 (OCR) とは何ですか?

Wikipedia によると、光学式文字認識とは、スキャンした文書、文書の写真、風景写真、または画像に重ねられた字幕テキストなど、入力された印刷テキストの画像を機械でエンコードされたテキストに電子的または機械的に変換することです。 OCRは光学文字認識の略です。 光学文字認識には基本的に 4 つの種類があります。

• OCR - 光学式文字認識は、入力ドキュメントから入力されたテキスト、一度に 1 つの文字またはグリフ (合意された記号セット内の基本記号、たとえば異なるフォントでの"a") を対象とします。
• OWR - 光学式単語認識は、入力文書からタイプされたテキストを 1 単語ずつ認識します。
• ICR - インテリジェント文字認識は、印刷体（他の文字と結合されていない文字）や筆記体テキストなどの印刷テキストを、一度に 1 文字または 1 グリフずつ対象とします。
• IWR - インテリジェント単語認識、筆記体テキストを対象とします。