IronOCRを使ってC#でテキストを画像としてハイライトする

入力PDFはどのように見えますか?

どのようにハイライトコードを実装しますか?

以下のコード例は、OcrInputクラスを使用した基本的な実装を示しています。

:path=/static-assets/ocr/content-code-examples/how-to/highlight-texts-as-images.cs

using IronOcr;

IronTesseract ocrTesseract = new IronTesseract();

using var ocrInput = new OcrInput();
ocrInput.LoadPdf("document.pdf");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_page_", ResultHighlightType.Paragraph);

出力画像は何を示していますか?

.

上の出力画像に示すように、3つの段落はすべて薄い赤枠でハイライトされています。 この視覚的な表現により、開発者は、OCRエンジンが文書をどのように読みやすいブロックに分割しているかをすばやく識別することができます。

さまざまな ResultHighlightType オプションは何ですか?

上記の例では、ResultHighlightType.Paragraphを使ってテキストブロックをハイライトしています。 IronOCR はこの列挙型を通じて追加の強調表示オプションを提供します。 以下は、利用可能なタイプの完全なリストで、それぞれ診断の目的が異なります。

文字：OCRエンジンによって検出されたすべての文字の周囲にバウンディングボックスを描画します。特に、カスタム言語ファイルで作業するときに、文字認識や特殊なフォントのデバッグに便利です。

単語: エンジンによって識別された各単語をハイライトします。特にBarCodeおよびQR読み取りをテキスト認識と一緒に実装する場合に、単語の境界と適切な単語の識別を検証するのに最適です。

行: 検出されたすべてのテキスト行をハイライトします。スキャンした文書を処理するときなど、行の識別検証が必要な複雑なレイアウトの文書に便利です。

段落：段落としてグループ化されたテキストブロック全体をハイライトします。テーブル抽出で作業するときに特に便利です。ドキュメントのレイアウトを理解し、テキスト ブロックのセグメンテーションを確認するのに最適です。

異なるハイライトタイプを比較するにはどうすればよいですか?

この包括的な例では、同じドキュメント上ですべての異なるタイプのハイライトを生成することを実演しており、結果を比較することができます：

using IronOcr;
using System;

// Initialize the OCR engine with custom configuration
IronTesseract ocrTesseract = new IronTesseract();

// Configure for better accuracy if needed
ocrTesseract.Configuration.ReadBarCodes = false; // Disable if not needed for performance
ocrTesseract.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Load the PDF document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("document.pdf");

// Generate highlights for each type
Console.WriteLine("Generating character-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_character_", ResultHighlightType.Character);

Console.WriteLine("Generating word-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_word_", ResultHighlightType.Word);

Console.WriteLine("Generating line-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_line_", ResultHighlightType.Line);

Console.WriteLine("Generating paragraph-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_paragraph_", ResultHighlightType.Paragraph);

Console.WriteLine("All highlight images have been generated successfully!");

using IronOcr;
using System;

// Initialize the OCR engine with custom configuration
IronTesseract ocrTesseract = new IronTesseract();

// Configure for better accuracy if needed
ocrTesseract.Configuration.ReadBarCodes = false; // Disable if not needed for performance
ocrTesseract.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Load the PDF document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("document.pdf");

// Generate highlights for each type
Console.WriteLine("Generating character-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_character_", ResultHighlightType.Character);

Console.WriteLine("Generating word-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_word_", ResultHighlightType.Word);

Console.WriteLine("Generating line-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_line_", ResultHighlightType.Line);

Console.WriteLine("Generating paragraph-level highlights...");
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_paragraph_", ResultHighlightType.Paragraph);

Console.WriteLine("All highlight images have been generated successfully!");

複数ページのドキュメントはどのように扱えばよいですか?

複数ページのPDFや複数フレームのTIFFファイルを処理する場合、ハイライト機能は自動的に各ページを個別に処理します。 これは、PDF OCR テキスト抽出ワークフローを実装する場合に特に役立ちます：

using IronOcr;
using System.IO;

IronTesseract ocrTesseract = new IronTesseract();

// Load a multi-page document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("multi-page-document.pdf");

// Create output directory if it doesn't exist
string outputDir = "highlighted_pages";
Directory.CreateDirectory(outputDir);

// Generate highlights for each page
// Files will be named: highlighted_pages/page_0.png, page_1.png, etc.
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, 
    Path.Combine(outputDir, "page_"), 
    ResultHighlightType.Word);

// Count generated files for verification
int pageCount = Directory.GetFiles(outputDir, "page_*.png").Length;
Console.WriteLine($"Generated {pageCount} highlighted page images");

using IronOcr;
using System.IO;

IronTesseract ocrTesseract = new IronTesseract();

// Load a multi-page document
using var ocrInput = new OcrInput();
ocrInput.LoadPdf("multi-page-document.pdf");

// Create output directory if it doesn't exist
string outputDir = "highlighted_pages";
Directory.CreateDirectory(outputDir);

// Generate highlights for each page
// Files will be named: highlighted_pages/page_0.png, page_1.png, etc.
ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, 
    Path.Combine(outputDir, "page_"), 
    ResultHighlightType.Word);

// Count generated files for verification
int pageCount = Directory.GetFiles(outputDir, "page_*.png").Length;
Console.WriteLine($"Generated {pageCount} highlighted page images");

パフォーマンスのベストプラクティスは何ですか?

ハイライト機能を使用する場合は、以下のベストプラクティスを考慮してください：

1.ファイルサイズ: ハイライト画像は、特に高解像度のドキュメントの場合、サイズが大きくなる可能性があります。 大きなバッチを処理する場合は、出力ディレクトリの空き容量を考慮してください。 最適化のヒントについては、高速 OCR 設定ガイドを参照してください。

2.パフォーマンス：ハイライトの生成は、処理のオーバーヘッドを追加します。 ハイライトがたまにしか必要とされない本番システムでは、メインのワークフローの一部ではなく、別の診断プロセスとして実装してください。 バッチ処理には、マルチスレッドOCRの使用を検討してください。

3.エラー処理：ファイル操作の際には、常に適切なエラー処理を実装してください：

try
{
    using var ocrInput = new OcrInput();
    ocrInput.LoadPdf("document.pdf");

    // Apply image filters if needed for better recognition
    ocrInput.Deskew(); // Correct slight rotations
    ocrInput.DeNoise(); // Remove background noise

    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_", ResultHighlightType.Word);
}
catch (Exception ex)
{
    Console.WriteLine($"Error during highlighting: {ex.Message}");
    // Log error details for debugging
}

try
{
    using var ocrInput = new OcrInput();
    ocrInput.LoadPdf("document.pdf");

    // Apply image filters if needed for better recognition
    ocrInput.Deskew(); // Correct slight rotations
    ocrInput.DeNoise(); // Remove background noise

    ocrInput.HighlightTextAndSaveAsImages(ocrTesseract, "highlight_", ResultHighlightType.Word);
}
catch (Exception ex)
{
    Console.WriteLine($"Error during highlighting: {ex.Message}");
    // Log error details for debugging
}

ハイライトはOCR結果とどのように統合されますか?

ハイライト機能はIronOCRの結果オブジェクトとシームレスに連携し、視覚的なハイライトと抽出されたテキストデータの関連付けを可能にします。 これは、OCRの進捗状況を追跡する必要がある場合や、認識されたテキストの特定の部分を検証する必要がある場合に特に便利です。 OcrResultクラスは、検出された各要素に関する詳細な情報を提供し、このメソッドによって生成された視覚的なハイライトに直接対応します。

問題が発生した場合はどうすればよいですか?

ハイライト機能で問題が発生した場合は、一般的なトラブルシューティング ガイドを参照してください。 特定のハイライトに関する問題

• 空白の出力画像: 入力ドキュメントに読み取り可能なテキストが含まれており、OCRエンジンがドキュメントタイプ用に適切に設定されていることを確認してください。 認識を向上させるために、画像最適化フィルタを適用したり、画像の向きを修正したりする必要があるかもしれません。
• Missing highlights: ドキュメントの種類によっては、特定の前処理が必要な場合があります。 画像フィルタを適用したり、画像の向きを修正したりして、認識を向上させてみてください。
• パフォーマンスの問題：大きな文書の場合、処理速度を向上させるためにマルチスレッドの実装を検討してください。 さらに、質の低い入力で作業する場合は、低品質スキャンの修正に関するガイドを確認してください。

本番デバッグにはどのように使用できますか?

ハイライト機能は、優れた生産デバッグツールとして機能します。 abort tokens for long-running operations や timeouts と統合すれば、堅牢な診断システムを構築できます。 アプリケーションにデバッグモードを実装することを検討してください：

public class OcrDebugger
{
    private readonly IronTesseract _tesseract;
    private readonly bool _debugMode;

    public OcrDebugger(bool enableDebugMode = false)
    {
        _tesseract = new IronTesseract();
        _debugMode = enableDebugMode;
    }

    public OcrResult ProcessDocument(string filePath)
    {
        using var input = new OcrInput();
        input.LoadPdf(filePath);

        // Apply preprocessing
        input.Deskew();
        input.DeNoise();

        // Generate debug highlights if in debug mode
        if (_debugMode)
        {
            string debugPath = $"debug_{Path.GetFileNameWithoutExtension(filePath)}_";
            input.HighlightTextAndSaveAsImages(_tesseract, debugPath, ResultHighlightType.Word);
        }

        // Perform actual OCR
        return _tesseract.Read(input);
    }
}

public class OcrDebugger
{
    private readonly IronTesseract _tesseract;
    private readonly bool _debugMode;

    public OcrDebugger(bool enableDebugMode = false)
    {
        _tesseract = new IronTesseract();
        _debugMode = enableDebugMode;
    }

    public OcrResult ProcessDocument(string filePath)
    {
        using var input = new OcrInput();
        input.LoadPdf(filePath);

        // Apply preprocessing
        input.Deskew();
        input.DeNoise();

        // Generate debug highlights if in debug mode
        if (_debugMode)
        {
            string debugPath = $"debug_{Path.GetFileNameWithoutExtension(filePath)}_";
            input.HighlightTextAndSaveAsImages(_tesseract, debugPath, ResultHighlightType.Word);
        }

        // Perform actual OCR
        return _tesseract.Read(input);
    }
}

次はどこに行くべきですか?

ハイライト機能の使い方は理解できたと思います：

• OCR結果から検索可能なPDFを作成する
• パスポートや免許証のような特定の文書タイプを読む。
• スタートガイドを使って開発環境にIronOcrをセットアップする。
• グローバルアプリケーションのための125の国際言語サポートの実装
• フィルタウィザードを使って画像処理を最適化する

本番環境で使用する場合は、ライセンスを取得することを忘れないでください。